add coding agent description files

.github/copilot-instructions.md

@@ -0,0 +1,83 @@
+# Copilot Instructions for ArtStudies
+
+Collection de travaux académiques en mathématiques (L3 → M2) utilisant **Python** et **R**.
+
+## Architecture du Projet
+
+```
+L3/, M1/, M2/          # Niveaux académiques (Licence 3, Master 1 & 2)
+└── <Nom du Cours>/    # Ex: "Deep Learning", "Linear Models"
+    ├── TP{n}/         # Travaux pratiques numérotés
+    ├── Project/       # Projets finaux
+    └── data/          # Données locales au TP
+```
+
+## Python - Conventions
+
+- **Gestionnaire de packages** : `uv` (voir `pyproject.toml` racine)
+- **Linter** : Ruff avec règles strictes (`select = ["ALL"]`)
+- **Format des imports** : sections personnalisées définies dans `pyproject.toml` :
+  ```python
+  # standard-library → third-party → data-science → ml → first-party
+  import numpy as np      # data-science group
+  import pandas as pd
+  from sklearn import ... # ml group
+  ```
+- **Notebooks** : structures Jupyter avec cellules markdown descriptives + code
+- **Reproductibilité** : utiliser `np.random.seed(42)` pour fixer les seeds
+
+### Sous-projets avec dépendances isolées
+
+Certains projets ont leur propre `pyproject.toml` (ex: `M2/Reinforcement Learning/project/`). Utiliser `uv` dans ces dossiers pour installer les dépendances spécifiques.
+
+## R - Conventions
+
+- **Projets R** : fichiers `.Rproj` dans chaque dossier TP/Projet
+- **Gestion packages** : `renv` pour l'isolation (voir `.Rprofile`)
+- **Script d'init** : `M2/Data Visualisation/init.R` installe les packages courants
+- **Documents** : RMarkdown (`.Rmd`) pour les rapports reproductibles
+- **Linting** : utiliser `lintr` pour l'analyse statique et `styler` pour le formatage (config: `.lintr` à la racine)
+  ```r
+  # Vérifier le style d'un fichier
+  lintr::lint("script.R")
+  
+  # Formater automatiquement
+  styler::style_file("script.R")
+  ```
+
+## SQL (M2/SQL)
+
+Environnement Docker avec MySQL :
+```bash
+# Démarrer le conteneur
+docker compose -f M2/SQL/docker-compose.yml up -d
+
+# Exécuter les TPs via Make
+make tp1   # Exécute scripts/TP1.sql
+make tp2   # Exécute scripts/TP2.sql
+make project  # Exécute scripts/DANJOU_Arthur.sql
+```
+Logs générés dans `M2/SQL/logs/`.
+
+## Nommage des Fichiers
+
+| Type | Convention | Exemple |
+|------|------------|---------|
+| TP numérotés | `TP{n}.ipynb`, `TP{n}.Rmd` | `TP1.ipynb`, `TP2.Rmd` |
+| Projets personnels | `DANJOU_Arthur.*` | `DANJOU_Arthur.sql` |
+| Labs thématiques | Nom descriptif complet | `Lab 4 - Monte Carlo Control in Blackjack game.ipynb` |
+
+## Stack Technique Principale
+
+- **Data Science** : numpy, pandas, scipy, matplotlib, seaborn, plotly
+- **ML** : scikit-learn, xgboost, catboost, tensorflow/keras, shap
+- **LLM/RAG** : langchain, sentence-transformers, faiss-cpu
+- **Géospatial** : geopandas, rasterio
+- **R** : tidyverse, ggplot2, FactoMineR, caret, glmnet
+
+## Bonnes Pratiques
+
+1. Toujours vérifier si un `pyproject.toml` local existe avant d'ajouter des dépendances
+2. Les notebooks contiennent souvent du texte explicatif en **français**
+3. Utiliser Plotly pour les visualisations interactives, Matplotlib/Seaborn pour les exports
+4. Les données volumineuses ne sont pas versionnées - télécharger via le code du notebook si nécessaire

CLAUDE.md

@@ -0,0 +1,67 @@
+# CLAUDE.md
+
+This file provides guidance to Claude Code (claude.ai/code) when working with code in this repository.
+
+## Quick Commands
+
+### Python Projects
+- **Install dependencies**: `uv sync` (root) or `uv sync` in a subdirectory with its own `pyproject.toml`
+- **Run linter**: `ruff check .` (includes all files via `extend-include`)
+- **Auto-fix**: `ruff check . --fix`
+- **Format imports**: `ruff format .`
+
+### R Projects
+- **Load project**: RStudio/.Rprofile uses `renv` for isolation
+- **Check style**: `lintr::lint("script.R")`
+- **Format code**: `styler::style_file("script.R")`
+
+### SQL (M2/SQL)
+```bash
+docker compose -f M2/SQL/docker-compose.yml up -d
+make tp1       # Execute TP1.sql
+make tp2       # Execute TP2.sql
+make tp3       # Execute TP3.sql
+make project   # Execute DANJOU_Arthur.sql
+```
+
+## Project Structure
+
+```
+L3/                    # Bachelor's degree (3rd year)
+M1/                    # Master's degree (1st year)
+M2/                    # Master's degree (2nd year)
+└── <Course>/          # e.g., "Deep Learning", "Data Visualisation"
+    ├── TP{n}/         # Practical work (numbered)
+    ├── Project/       # Final project
+    └── data/          # Course-specific data
+```
+
+## Python Conventions
+
+- **Package manager**: `uv` (workspace configured at root)
+- **Linting**: Ruff with strict rules (`select = ["ALL"]`)
+- **Import ordering**: Custom sections in `pyproject.toml`:
+  - `data-science`: numpy, pandas, scipy, matplotlib, seaborn, plotly
+  - `ml`: tensorflow, keras, torch, sklearn, xgboost, catboost, shap
+- **Reproducibility**: Use `np.random.seed(42)` for random seeds
+- **Notebooks**: Jupyter with descriptive markdown cells
+
+## R Conventions
+
+- **Package management**: `renv` (autoloading via `.Rprofile`)
+- **Linting**: `lintr` configured in `.lintr`
+- **Documents**: RMarkdown (`.Rmd`) for reproducible reports
+- **Visualization**: ggplot2, plotly, FactoMineR
+
+## Key Technologies
+
+- **Data Science**: numpy, pandas, scipy, matplotlib, seaborn, plotly, geopandas
+- **Machine Learning**: scikit-learn, xgboost, catboost, tensorflow, keras, shap
+- **LLM/RAG**: langchain, sentence-transformers, faiss-cpu
+- **R**: tidyverse, ggplot2, FactoMineR, caret, glmnet, RShiny
+
+## Notes
+
+- Some subprojects (e.g., `M2/Reinforcement Learning/project/`) have isolated `pyproject.toml` files
+- Large datasets are not versioned—download via notebook code when needed
+- Course materials and documentation are primarily in French