Aller au contenu
MC

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.

20 outils

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.

  • Utilisé dans le code publié (GitLab, Zenodo)
  • Également utilisé, hors code publié

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)

Système transcrit du notebook

S˙=(1−δ)σ−μSS\dot S = (1-\delta)\sigma - \mu_S SF˙=r(1−ρ)M+εηSk+M+ηSF1+βF−μFF\dot F = r(1-\rho)\tfrac{M+\varepsilon\eta S}{k+M+\eta S}\tfrac{F}{1+\beta F} - \mu_F FM˙=rρM+εηSk+M+ηSF1+βF−μMM+δσ\dot M = r\rho\tfrac{M+\varepsilon\eta S}{k+M+\eta S}\tfrac{F}{1+\beta F} - \mu_M M + \delta\sigma

Outils vérifiés dans le code

Python
Langage de l'ensemble des modèles, simulations et figuresthesisData — tous les notebooks
SymPy
Calcul symbolique des équilibresScript_Manuscrit_SIT_RF.ipynb

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.
Outils logiciels et fichiers où ils sont utilisés
OutilUsagePreuve dans le codeVersion notéeRéalisations
PythonLangage de l'ensemble des modèles, simulations et figuresthesisData — tous les notebooks · sit_remating_abm/script_ABM_batchrun.pyPython 3.9.12 et 3.12.5 (métadonnées des notebooks)
JupyterNotebooks reproduisant chaque figure du manuscritthesisData — 11 notebooks .ipynb · sit_remating_abm — 5 notebooks .ipynb—
NumPyCalcul numérique, tirages aléatoires des agentsScript_Manuscrit_SIT_RF.ipynb · script_ABM_batchrun.pynumpy 1.23.5
SciPyIntégration d'EDO (odeint, solve_ivp), statistiquesScript_Manuscrit_SIT_RF.ipynb · Compartmental_model_output_vAvril.ipynb · Notebook_part_impulsive_releases.ipynbscipy 1.10.1
SymPyCalcul symbolique des équilibresScript_Manuscrit_SIT_RF.ipynb · Sensitivity_Analysis_SIT.ipynbsympy 1.11.1
MesaCadre de modélisation individu-centrée (agents, ordonnanceur, collecte de données)script_ABM_batchrun.py · Notebook_ABM.ipynb—
pandasGestion des sorties de simulation et des tableaux de résultatsscript_ABM_batchrun.py · ABM_model_output.ipynb · Sensitivity_Analysis_SIT.ipynbpandas 2.0.1
statsmodelsModèles linéaires pour l'analyse de sensibilitéSensitivity_Analysis_SIT.ipynbstatsmodels 0.13.5
MatplotlibFigures scientifiques du manuscritthesisData — tous les notebooksmatplotlib 3.7.1
seabornVisualisation des distributions de sorties du modèle individu-centréABM_model_output.ipynb · Notebook_ABM.ipynb · Appendix_Comparison_ABM_1.ipynb—
python-controlPortraits de phase (control.phaseplot)fig_chapter2_thesis.ipynb—
RAnalyse comparative bayésienne (MCMCglmm, phylogénie) et figures de l'étude sur les réponses fonctionnellesZenodo 10.5281/zenodo.18377688 — analysis/Main_Script.R · Zenodo — analysis/Supplementary_Script_phylogeny.R—
GitLabPartage public du code, des données et du manuscritgitlab.com/marinecourtois—
  1. Observer
  2. Formuler
  3. Modéliser
  4. Simuler
  5. Analyser
  6. Comprendre