OutilsLangages, méthodes, réalisations
Ma boîte à outils scientifique. Du modèle conceptuel au résultat reproductible.
Pas de jauges ni de pourcentages : chaque outil est relié à un projet, une publication ou un fichier de code où il est effectivement utilisé. Ceux qui n'apparaissent dans aucun code public sont signalés comme tels.
Boîte à outils scientifique : langages, calcul, données, machine learning.
Tuile pleine : utilisé dans le code publié (GitLab, Zenodo). Tuile pointillée : déclaré par Marine Courtois, sans preuve publique dans le code à ce jour.
Environnement et partage
2 outils
- Jupyter: Notebooks reproduisant chaque figure du manuscrit
- GitLab: Partage public du code, des données et du manuscrit
Visualisation et restitution
4 outils
- Matplotlib: Figures scientifiques du manuscrit
- seaborn: Visualisation des distributions de sorties du modèle individu-centré
- R Shiny: Applications web interactives écrites en R (hors code publié)
- Power BI: Tableaux de bord et rapports de données (hors code publié)
Données
2 outils
- pandas: Gestion des sorties de simulation et des tableaux de résultats
- MySQL: Bases de données relationnelles, requêtes SQL (hors code publié)
Machine learning
4 outils
- scikit-learn: Apprentissage automatique : régression, classification, clustering (hors code publié)
- PyTorch: Réseaux de neurones et apprentissage profond (hors code publié)
- TensorFlow / Keras: Réseaux de neurones et apprentissage profond (hors code publié)
- XGBoost / LightGBM: Gradient boosting sur données tabulaires (hors code publié)
Calcul et modélisation
6 outils
- NumPy: Calcul numérique, tirages aléatoires des agents
- SciPy: Intégration d'EDO (odeint, solve_ivp), statistiques
- SymPy: Calcul symbolique des équilibres
- Mesa: Cadre de modélisation individu-centrée (agents, ordonnanceur, collecte de données)
- statsmodels: Modèles linéaires pour l'analyse de sensibilité
- python-control: Portraits de phase (control.phaseplot)
Langages
2 outils
- Python: Langage de l'ensemble des modèles, simulations et figures
- R: Analyse comparative bayésienne (MCMCglmm, phylogénie) et figures de l'étude sur les réponses fonctionnelles
Du socle (langages) au partage : chaque couche s'appuie sur celle du dessous.
Compétences construites : choisir une compétence, voir où elle est mobilisée.
Pour chaque compétence : l'étape du travail scientifique, la preuve publiée, les projets, la recherche et les outils qui la mettent en œuvre.
Étape : formaliser
Formalisation mathématique
Définir les variables, poser les hypothèses et construire des modèles représentant les mécanismes biologiques étudiés.
Preuve
Article de modélisation mathématique, Bulletin of Mathematical Biology (2025)
Projets où elle est mobilisée
Publications liées
Recherche associée
Système transcrit du notebook
Outils vérifiés dans le code
- Langage de l'ensemble des modèles, simulations et figures
- Calcul symbolique des équilibres
Les outils présents dans le code publié.
Cette liste est établie à partir des imports effectivement présents dans les dépôts publics. Elle ne prétend pas être exhaustive.
| Outil | Usage | Preuve dans le code | Version notée | Réalisations |
|---|---|---|---|---|
| Python | Langage de l'ensemble des modèles, simulations et figures | thesisData — tous les notebooks · sit_remating_abm/script_ABM_batchrun.py | Python 3.9.12 et 3.12.5 (métadonnées des notebooks) | |
| Jupyter | Notebooks reproduisant chaque figure du manuscrit | thesisData — 11 notebooks .ipynb · sit_remating_abm — 5 notebooks .ipynb | — | |
| NumPy | Calcul numérique, tirages aléatoires des agents | Script_Manuscrit_SIT_RF.ipynb · script_ABM_batchrun.py | numpy 1.23.5 | |
| SciPy | Intégration d'EDO (odeint, solve_ivp), statistiques | Script_Manuscrit_SIT_RF.ipynb · Compartmental_model_output_vAvril.ipynb · Notebook_part_impulsive_releases.ipynb | scipy 1.10.1 | |
| SymPy | Calcul symbolique des équilibres | Script_Manuscrit_SIT_RF.ipynb · Sensitivity_Analysis_SIT.ipynb | sympy 1.11.1 | |
| Mesa | Cadre de modélisation individu-centrée (agents, ordonnanceur, collecte de données) | script_ABM_batchrun.py · Notebook_ABM.ipynb | — | |
| pandas | Gestion des sorties de simulation et des tableaux de résultats | script_ABM_batchrun.py · ABM_model_output.ipynb · Sensitivity_Analysis_SIT.ipynb | pandas 2.0.1 | |
| statsmodels | Modèles linéaires pour l'analyse de sensibilité | Sensitivity_Analysis_SIT.ipynb | statsmodels 0.13.5 | |
| Matplotlib | Figures scientifiques du manuscrit | thesisData — tous les notebooks | matplotlib 3.7.1 | |
| seaborn | Visualisation des distributions de sorties du modèle individu-centré | ABM_model_output.ipynb · Notebook_ABM.ipynb · Appendix_Comparison_ABM_1.ipynb | — | |
| python-control | Portraits de phase (control.phaseplot) | fig_chapter2_thesis.ipynb | — | |
| R | Analyse comparative bayésienne (MCMCglmm, phylogénie) et figures de l'étude sur les réponses fonctionnelles | Zenodo 10.5281/zenodo.18377688 — analysis/Main_Script.R · Zenodo — analysis/Supplementary_Script_phylogeny.R | — | |
| GitLab | Partage public du code, des données et du manuscrit | gitlab.com/marinecourtois | — |
- Observer
- Formuler
- Modéliser
- Simuler
- Analyser
- Comprendre