End of TP1

.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

.lintr

@@ -0,0 +1,39 @@
+linters: linters_with_defaults(
+    # Longueur de ligne - 120 caractères pour le code, 80 pour le texte
+    line_length_linter(120),
+    # Noms d'objets : snake_case recommandé, camelCase autorisé pour les packages
+    object_name_linter(styles = c("snake_case")),
+    # Interdire le code commenté (à la place, supprimer ou utiliser roxygen)
+    commented_code_linter(),
+    # Complexity cyclomatique - alerte au-dessus de 10
+    cyclocomp_linter(max = 10)
+  )
+
+# Options de linters supplémentaires
+objects:
+  # Éviter les noms trop courts (sauf dans les fonctions anonymes)
+  - exclude: "(^_.+$)|(^i$)|(^j$)|(^k$)"
+    linters: ["object_name_linter"]
+  # Autoriser les noms courts pour les boucles imbriquées
+  - exclude: ".*\\.funs$"
+    linters: ["object_name_linter"]
+
+# Exclusions : répertoires virtuels ou générés automatiquement
+exclusions: list(
+    # Dependencies renv (gérées séparément)
+    "renv/",
+    "packrat/",
+    # Données brutes (souvent des fichiers génériques)
+    "data/",
+    # Fichiers de configuration de projets R
+    "\\.Rproj\\.",
+    # Cache R
+    "\\.Rhistory",
+    "\\.RData",
+    "\\.Rprofile\\.exprs"
+  )
+
+encoding: "UTF-8"
+
+# Spécificité pour ce projet : autoriser le français dans les commentaires
+# et les noms d'objets pour les projets académiques

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

M2/Time Series/TD1.Rmd

@@ -0,0 +1,291 @@
+# Import des données
+
+```{r}
+library(tseries)
+
+data = read.csv2('./data/TD1.csv')
+data_series = ts(data)
+```
+
+# Graphique
+
+```{r}
+plot(
+  data_series,
+  main = "Exemple de série temporelle",
+  ylab = "Valeurs",
+  xlab = "Temps",
+  col = "blue",
+  type = "o"
+)
+
+acf(data, main = "Fonction d'Autocorrélation (ACF)")
+```
+
+## 1. Analyse de la série temporelle (Time Plot)
+
+-   Tendance : Il y a une tendance linéaire croissante extrêmement claire et forte sur toute la période (de `t=0` à `t=100`). La moyenne de la série augmente de façon constante, ce qui confirme une non-stationnarité pure.
+
+-   Saisonnalité : Nous observons des oscillations très régulières en forme de "dents de scie". La répétition systématique de ces motifs indique une composante saisonnière forte.
+
+-   Variabilité : L'amplitude des oscillations semble ici rester constante par rapport à la tendance (modèle additif).
+
+## 2. Analyse de la Fonction d'Autocorrélation (ACF)
+
+-   Profil de Non-Stationnarité : Nous observons une décroissance très lente et linéaire des pics. Même au lag 20, la corrélation reste très élevée (environ `0.4`), bien au-dessus de la zone de significativité bleue. C'est la signature typique d'une série avec une tendance non traitée.
+
+-   Saisonnalité de période 2 : les retards pairs (2,4,6...) sont systématiquement plus élevés que les retards impairs (1,3,5...).
+
+    -   Le pic au lag 2 est particulièrement fort, presque au même niveau que le lag 1.
+    -   Cela confirme que la valeur à l'instant `t` est très fortement corrélée à la valeur à `t−2`.
+
+# Lag plot
+
+```{r}
+lag.plot(
+  data_series,
+  lags = 4,
+  do.lines = FALSE,
+  main = "Lag-Plot"
+)
+```
+
+## 1. Analyse par retard (Lag)
+
+-   Lag 2 et Lag 4 (Forte corrélation positive) : Les nuages de points pour les retards pairs sont extrêmement resserrés autour de la première bissectrice (la ligne pointillée). Cela signifie que la valeur à l'instant `t` est presque parfaitement prédite par la valeur à `t−2` et `t−4`. Cela confirme la saisonnalité de péridoe `2`.
+
+-   Lag 1 et Lag 3 (Dispersion organisée) : Pour les retards impairs, nous observons deux "nuages" ou une dispersion plus large. Cela traduit l'oscillation "haut-bas" : une valeur haute est suivie d'une valeur basse, créant cet écart par rapport à la ligne d'identité.
+
+## 2. Relation avec la tendance
+
+L'alignement global de tous les lags le long d'une diagonale ascendante confirme la tendance déterministe. Même avec le "bruit" saisonnier, la valeur globale `Y_t`​ augmente proportionnellement à `Y_{t−k}`​. C'est ce qui expliquait la p-value de `0.581` à l'ADF : la série ne revient jamais vers une moyenne centrale, elle "s'échappe" vers le haut.
+
+# Saisonnalité
+
+```{r}
+kpss_test_result <- kpss.test(data_series)
+print(kpss_test_result)
+
+adf_test_result <- adf.test(data_series)
+print(adf_test_result)
+```
+
+## 1. Analyse du test ADF (Augmented Dickey-Fuller)
+
+-   Hypothèse nulle (`H0​`) : La série est non stationnaire.
+
+-   Résultat : La p-value est de `0.581`.
+
+-   Interprétation : Étant donné que la p-value est très supérieure au seuil classique de `0.05`, nous conservons `H0`. La série est donc considérée comme non stationnaire par l'ADF.
+
+## 2. Analyse du test KPSS
+
+-   Hypothèse nulle (`H0​`) : La série est stationnaire.
+
+-   Résultat : La statistique de test est très élevée (`2.0282`) et la p-value est de `0.01`.
+
+-   Interprétation : La p-value est inférieure à `0.05`, nous rejetons donc l'hypothèse de stationnarité. Le test KPSS confirme que la série n'est pas stationnaire.
+
+## Conclusion croisée
+
+| Test | Hypothèse Nulle (`H0​`) | Résultat | Conclusion statistique |
+|------------------|------------------|------------------|------------------|
+| ADF | Non stationnaire | Non rejetée (`p=0.58`) | La série n'est pas stationnaire |
+| KPS | Stationnaire | Rejetée (`p=0.01`) | La série n'est pas stationnaire. |
+
+# Correction de la saisonnalité
+
+## Lag 1
+
+```{r}
+serie_diff = diff(data_series)
+
+plot(serie_diff, type = "l")
+acf(serie_diff, main = "ACF de la série différenciée lag 1")
+```
+
+### Pourquoi la différenciation d=1 a "échoué" ?
+
+Le graphique ACF de la série différenciée montre des pics à `-0.9` (lag 1) et `+0.85` (lag 2). Le Lag-Plot explique pourquoi : en faisant `Y_t​−Y_{t−1}`​, la pente est supprimée, mais l'oscillation `S=2` est transformée en une alternance de signes massive.
+
+**Verdict final** : Pour modéliser proprement cette série, nous ne pouvons pas nous contenter d'un modèle ARIMA classique. Nous devons utiliser la différence saisonnière : diff(data_series, lag = 2).
+
+## Lag 2
+
+```{r}
+serie_diff_2 <- diff(data_series, lag = 2)
+
+plot(serie_diff_2, type = "l")
+acf(serie_diff_2, main = "ACF de la série différenciée lag 2")
+```
+
+### 1. Disparition de la non-stationnarité
+
+-   Observation : Contrairement aux ACF précédentes qui affichaient des pics massifs et persistants, celle-ci chute immédiatement vers zéro dès le premier retard.
+
+-   Conclusion : La série résultante est désormais stationnaire. La moyenne et la variance sont stabilisées.
+
+### 2. Élimination de la structure saisonnière `S=2`
+
+-   Observation : L'alternance parfaite "haut-bas" (pics à `+0.8`/`-0.9`) que nous voyions après la différenciation classique (`diff(x)`) a totalement disparu.
+
+-   Interprétation : En appliquant `diff(x, lag = 2)`, nous avons retiré à chaque point sa valeur correspondante au cycle précédent. Cela a "neutralisé" l'oscillation déterministe de période 2.
+
+### 3. Identification des résidus (Bruit Blanc ?)
+
+-   Pic au Lag 2 : Nous observons un pic négatif significatif au lag 2. Cela suggère qu'il reste une petite dépendance de type `MA(1)` saisonnier ou `MA(2)`.
+
+-   Reste du graphique : Pour tous les autres retards, les pics sont situés à l'intérieur des bandes de confiance bleues.
+
+-   Conclusion : La série est maintenant très proche d'un bruit blanc. Les résidus sont quasi-indépendants, ce qui est l'objectif ultime avant de valider un modèle de prévision.
+
+## Moyenne
+
+```{r}
+t.max = length(data_series)
+serie_moy = ts((data_series[1:(t.max - 1)] + data_series[2:t.max]) / 2)
+
+plot(serie_moy, type = "l")
+acf(serie_moy, main = "ACF de la série moyenne")
+```
+
+### 1. Analyse de la série temporelle (serie_moy)
+
+-   Lissage de la saisonnalité : L'effet le plus frappant est la disparition presque totale des dents de scie (l'oscillation "haut-bas" de période 2). En moyennant deux points consécutifs, nous avons annulé les variations saisonnières de court terme pour ne laisser apparaître que la composante de tendance.
+
+-   Allure de la tendance : La série montre une croissance qui n'est pas strictement linéaire mais légèrement curviligne (quadratique). On observe une accélération de la pente à mesure que le temps progresse.
+
+-   Stationnarité : La série n'est toujours pas stationnaire. La moyenne augmente de façon continue avec le temps (environ de 100 à 1100).
+
+### 2. Analyse de l'ACF de la série moyenne
+
+-   Disparition de l'alternance : On ne voit plus l'oscillation caractéristique (pics positifs/négatifs) tous les deux lags. Cela prouve mathématiquement que la saisonnalité de période 2 a été filtrée avec succès par la moyenne mobile.
+
+-   Profil de "Trend" pur : L'ACF décroît de manière très lente, régulière et presque linéaire. C'est la signature typique d'une série dont la seule source de non-stationnarité restante est la tendance.
+
+-   Persistance : Même au lag 15, l'autocorrélation reste très élevée (\>0.5). Cela confirme que la série a une "mémoire" longue induite par sa dérive déterministe.
+
+## Synthèse des corrections
+
+| Caractéristique | Série Brute | Différenciation Lag 1 (`diff(x)`) | Différenciation Lag 2 (`diff(x, 2)`) | Série Moyenne (`serie_moy`) |
+|:--------------|:--------------|:--------------|:--------------|:--------------|
+| **Allure Visuelle** | Tendance ascendante forte + oscillations en "dents de scie". | Moyenne stabilisée mais oscillations "haut-bas" amplifiées. | Série stationnaire, ressemble à un bruit blanc avec peu de structure. | Courbe lisse montrant la tendance (sans les oscillations). |
+| **Stationnarité** | **Non** (moyenne mobile dans le temps). | **Partielle** (moyenne stable mais forte dépendance cyclique). | **Oui** (la plus proche de la stationnarité complète). | **Non** (la tendance est toujours présente). |
+| **Profil ACF** | Décroissance linéaire très lente. | Alternance parfaite de pics positifs/négatifs ($S=2$). | Chute immédiate vers 0 après le lag 2. | Décroissance lisse et très lente. |
+| **Saisonnalité** | Présente (période 2) mais masquée par la tendance. | **Exacerbée** : l'alternance devient la structure dominante. | **Éliminée** : le cycle de période 2 est neutralisé. | **Filtrée** : les variations de court terme sont lissées. |
+| **Usage Typique** | Observation initiale des données. | Suppression d'une tendance linéaire simple. | Traitement d'une tendance + saisonnalité de période 2. | Isolation de la tendance pour une régression polynomiale. |
+
+# Régression polynomiale
+
+```{r}
+n <- length(data_series)
+time <- 1:n
+
+data_deseas <- (data_series[2:n] + data_series[1:(n - 1)]) / 2
+time_deseas <- time[2:n]
+
+model_poly <- lm(data_deseas ~ time_deseas + I(time_deseas^2))
+
+summary(model_poly)
+
+plot(
+  time,
+  data_series,
+  type = "l",
+  col = "gray",
+  lty = 2,
+  main = "Ajustement Polynomial (d=2)",
+  xlab = "Temps",
+  ylab = "Valeurs"
+)
+lines(time_deseas, data_deseas, col = "blue", lwd = 2)
+lines(time_deseas, fitted(model_poly), col = "red", lwd = 2)
+
+plot(
+  time_deseas,
+  resid(model_poly),
+  type = "l",
+  col = "darkred",
+  main = "Résidus du modèle",
+  xlab = "Temps",
+  ylab = "Résidus"
+)
+abline(h = 0, col = "black", lty = 2)
+```
+
+# Résidus
+
+```{r}
+residus <- residuals(model_poly)
+
+plot(
+  time_deseas,
+  residus,
+  type = "l",
+  col = "darkgreen",
+  main = "Série des résidus",
+  xlab = "Temps",
+  ylab = "Résidus"
+)
+abline(h = 0, col = "red", lty = 2)
+
+acf(residus, main = "ACF des résidus")
+```
+
+## Série des résidus
+
+Ce graphique représente l'erreur de prédiction (`e_t​=y_t​−y^​t`​) au cours du temps.
+
+-    Comportement : La série oscille de manière erratique autour de la ligne horizontale rouge pointillée (l'ordonnée 0).
+
+-    Moyenne : Le fait que les résidus soient centrés sur zéro indique que votre régression polynomiale de degré 2 a correctement capturé la tendance globale de la série.
+
+-    Variance : L'amplitude des fluctuations semble rester dans un tunnel constant (approximativement entre `-60` et `+70`), ce qui suggère une certaine stabilité de la variance (homoscédasticité).
+
+-    Saisonnalité : On ne distingue plus le motif en "dents de scie" très marqué de la série brute, ce qui confirme l'efficacité du filtrage par la série moyenne.
+
+## ACF des résidus
+
+Ce graphique (la fonction d'autocorrélation) mesure la corrélation des résidus avec leurs propres valeurs passées.
+
+-    Pic au Lag 0 : Il est toujours égal à `1.0` (corrélation parfaite d'une valeur avec elle-même), on ne l'interprète pas pour le diagnostic.
+
+-    Le pic au Lag 1 : On observe une barre verticale qui dépasse nettement la ligne pointillée bleue supérieure. Cela indique une autocorrélation positive significative au premier retard.
+
+-    Signification statistique : Les lignes pointillées bleues représentent l'intervalle de confiance à 95 % pour un bruit blanc. Puisque le pic au retard 1 sort de cet intervalle, vos résidus ne sont pas encore totalement indépendants (ce n'est pas encore un "bruit blanc" pur).
+
+-    Lags supérieurs : Au-delà du premier retard, les autres pics (2, 3, etc.) rentrent dans la zone de non-significativité, ce qui montre que la dépendance est à très court terme.
+
+# Stationnarité des résidus
+
+
+```{r}
+kpss_test_result <- kpss.test(residus)
+print(kpss_test_result)
+
+adf_test_result <- adf.test(residus)
+print(adf_test_result)
+```
+
+## 1. Test ADF (Augmented Dickey-Fuller)
+
+-    Hypothèse nulle (`H0​`) : La série est non stationnaire.
+
+-    Résultat : La p-value est de `0.01` (indiquée comme inférieure à la valeur affichée par le warning).
+
+-    Interprétation : On rejette `H0​`. Il y a des preuves statistiques fortes que la série des résidus est stationnaire.
+
+## 2. Test KPSS
+
+-    Hypothèse nulle (`H0​`) : La série est stationnaire.
+
+-    Résultat : La p-value est de `0.1`.
+
+-    Interprétation : On ne rejette pas `H0​`. Le test conclut que la série est stationnaire.
+
+## Synthèse
+
+| Test | Hypothèse nulle ($H_0$) | p-value | Décision |
+| :--- | :--- | :--- | :--- |
+| **ADF** | Non stationnaire | 0.01 | Rejet de $H_0$ |
+| **KPSS** | Stationnaire | 0.10 | Échec du rejet de $H_0$ |

M2/Time Series/data/TD1.csv

@@ -0,0 +1,101 @@
+"x"
+-29,2226905371166
+213,582166211104
+-34,8814306205024
+289,36404010689
+28,975388590768
+174,576580794099
+43,2714526214243
+259,316235256461
+54,8890675826746
+214,730580642182
+109,689058422542
+257,892161820572
+11,8379709729098
+136,865005641125
+108,746545907155
+255,353319549238
+62,0904868450527
+315,591810534265
+115,161059754904
+309,695066060875
+132,048868580411
+331,506815036553
+102,62824916826
+206,132415206831
+143,491287394736
+316,79356302355
+119,110224664734
+260,862380805036
+118,192497244569
+370,897078009985
+226,033977576452
+361,26061363285
+194,283580577968
+380,909747970855
+123,64702215857
+380,850271835016
+191,185502314483
+417,434330164441
+285,101268599194
+478,158787422877
+241,873820187321
+447,731915993175
+305,748168770237
+509,433159933683
+258,062215272524
+468,225242151894
+333,129098106841
+564,826646225771
+332,482689392489
+594,055386322711
+382,005294018353
+543,798680337462
+403,955984571221
+543,13184519596
+484,151185085052
+724,619994925293
+420,538926176675
+600,193268684174
+494,585981372121
+673,247269805959
+614,180888025239
+706,437999863342
+557,386968122539
+739,000107939033
+515,33633955588
+777,039614975717
+492,652068555448
+871,677743078144
+621,762666910595
+938,630583518108
+669,875476444983
+826,902678453909
+709,436317674453
+848,895118417787
+649,818329988045
+944,172311775873
+724,735406339078
+964,455267581581
+785,817066207583
+970,523952690596
+789,666563359075
+1029,64106924381
+913,80434982866
+997,421659978512
+922,197309381421
+1128,24751856068
+984,054991863818
+1135,19080381829
+988,600940495814
+1203,35493953861
+982,973998450418
+1290,79339029916
+1108,92013078475
+1306,61068247575
+1171,84167272704
+1341,52432127827
+1071,0703895771
+1327,73672928816
+1116,86936925508
+1376,32996817803

README.md

@@ -2,63 +2,105 @@
 
 [ArtStudies Projects](https://github.com/ArthurDanjou/artstudies) is a curated collection of academic projects completed throughout my mathematics studies. The repository showcases work in both _Python_ and _R_, focusing on mathematical modeling, data analysis, and numerical methods.
 
-The projects are organized into two main sections:
 - **L3** – Third year of the Bachelor's degree in Mathematics
 - **M1** – First year of the Master's degree in Mathematics
 - **M2** – Second year of the Master's degree in Mathematics
 
-## 📁 File Structure
+## 📁 Project Structure
 
-- `L3`
-  - `Analyse Matricielle`
-  - `Analyse Multidimensionnelle`
-  - `Calculs Numériques`
-  - `Équations Différentielles`
-  - `Méthodes Numériques`
-  - `Probabilités`
-  - `Projet Numérique`
-  - `Statistiques`
+### L3 - Bachelor's Degree
 
-- `M1`
-  - `Data Analysis`
-  - `General Linear Models`
-  - `Monte Carlo Methods`
-  - `Numerical Methods`
-  - `Numerical Optimization`
-  - `Portfolio Management`
-  - `Statistical Learning`
+| Course | Description |
+|--------|-------------|
+| `Analyse Matricielle` | Matrix analysis and numerical linear algebra |
+| `Analyse Multidimensionnelle` | Multivariate data analysis (PCA, MCA, CA) |
+| `Calculs Numériques` | Numerical computation methods |
+| `Equations Différentielles` | Differential equations solving |
+| `Méthodes Numériques` | Numerical methods implementation |
+| `Projet Numérique` | Numerical project |
+| `Statistiques` | Applied statistics |
 
-- `M2`
-  - `Clustering In Practice`
-  - `Data Visualisation`
-  - `Deep Learning`
-  - `Generative AI`
-  - `Linear Models`
-  - `Machine Learning`
-  - `Reinforcement Learning`
-  - `SQL`
-  - `Statistiques Non Paramétrique`
-  - `Unsupervised Learning`
-  - `VBA`
+### M1 - Master's Degree 1st Year
 
+| Course | Description |
+|--------|-------------|
+| `Data Analysis` | Exploratory data analysis and visualization |
+| `General Linear Models` | Regression and ANOVA models |
+| `Monte Carlo Methods` | Statistical simulation techniques |
+| `Numerical Methods` | Numerical algorithms implementation |
+| `Numerical Optimisation` | Optimization algorithms |
+| `Portfolio Management` | Financial portfolio optimization |
+| `Statistical Learning` | Machine learning fundamentals |
+
+### M2 - Master's Degree 2nd Year
+
+| Course | Description |
+|--------|-------------|
+| `Advanced Machine Learning` | Advanced ML techniques |
+| `Classification and Regression` | Supervised learning methods |
+| `Clustering In Practice` | Unsupervised learning and clustering |
+| `Data Visualisation` | Data visualization principles and tools |
+| `Deep Learning` | Neural networks and deep architectures |
+| `Enjeux Climatiques` | Climate issues and data analysis |
+| `Generative AI` | Generative models (LLMs, diffusion) |
+| `Linear Models` | Linear modeling techniques |
+| `Machine Learning` | Core machine learning algorithms |
+| `Reinforcement Learning` | Reinforcement learning algorithms |
+| `SQL` | Database and SQL queries |
+| `Statistiques Non Paramétrique` | Non-parametric statistics |
+| `Time Series` | Time series analysis and forecasting |
+| `Unsupervised Learning` | Unsupervised learning methods |
+| `VBA` | Visual Basic for Applications |
 
 ## 🛠️ Technologies & Tools
 
-- [Python](https://www.python.org): A high-level, interpreted programming language, widely used for data science, machine learning, and scientific computing.
-- [R](https://www.r-project.org): A statistical computing environment, perfect for data analysis and visualization.
-- [Jupyter](https://jupyter.org): Interactive notebooks combining code, results, and rich text for reproducible research.
-- [Pandas](https://pandas.pydata.org): A data manipulation library providing data structures and operations for manipulating numerical tables and time series.
-- [NumPy](https://numpy.org): Core package for numerical computing with support for large, multi-dimensional arrays and matrices.
-- [SciPy](https://www.scipy.org): A library for advanced scientific computations including optimization, integration, and signal processing.
-- [Scikit-learn](https://scikit-learn.org): A robust library offering simple and efficient tools for machine learning and statistical modeling, including classification, regression, and clustering.
-- [TensorFlow](https://www.tensorflow.org): A comprehensive open-source framework for building and deploying machine learning and deep learning models.
-- [Keras](https://keras.io): A high-level neural networks API, running on top of TensorFlow, designed for fast experimentation.
-- [Matplotlib](https://matplotlib.org): A versatile plotting library for creating high-quality static, animated, and interactive visualizations in Python.
-- [Plotly](https://plotly.com): An interactive graphing library for creating dynamic visualizations in Python and R.
-- [Seaborn](https://seaborn.pydata.org): A statistical data visualization library built on top of Matplotlib, providing a high-level interface for drawing attractive and informative graphics.
-- [RMarkdown](https://rmarkdown.rstudio.com): A dynamic tool for combining code, results, and narrative into high-quality documents and presentations.
-- [FactoMineR](https://factominer.free.fr/): An R package focused on multivariate exploratory data analysis (e.g., PCA, MCA, CA).
-- [ggplot2](https://ggplot2.tidyverse.org): A grammar-based graphics package for creating complex and elegant visualizations in R.
-- [RShiny](https://shiny.rstudio.com): A web application framework for building interactive web apps directly from R.
-- [LangChain](https://langchain.com): A framework for developing applications powered by language models.
-- and my 🧠.
+### Python
+
+- **Data Science**: `numpy`, `pandas`, `scipy`, `matplotlib`, `seaborn`, `plotly`, `geopandas`
+- **Machine Learning**: `scikit-learn`, `xgboost`, `catboost`, `shap`, `umap-learn`, `imblearn`
+- **Deep Learning**: `tensorflow`, `keras`, `torch`, `accelerate`
+- **LLM/RAG**: `langchain`, `langchain-community`, `sentence-transformers`, `faiss-cpu`
+- **Other**: `statsmodels`, `plotly`, `polars`, `requests`, `openpyxl`
+
+### R
+
+- **Core**: tidyverse, ggplot2, FactoMineR, caret, glmnet
+- **Shiny**: RShiny for interactive web applications
+- **Reporting**: RMarkdown for reproducible reports
+
+### Tools
+
+- **Jupyter** – Interactive notebooks for reproducible research
+- **RStudio** – R development environment
+- **uv** – Fast Python package manager and virtual environment
+- **ruff** – Python linter and formatter
+- **lintr** – R linter
+
+## 🚀 Getting Started
+
+1. Clone the repository:
+   ```bash
+   git clone <repository-url>
+   cd studies
+   ```
+
+2. Set up the Python environment:
+   ```bash
+   uv sync
+   ```
+
+3. Run the linter:
+   ```bash
+   ruff check .
+   ```
+
+4. Format code:
+   ```bash
+   ruff format .
+   ```
+
+## 📝 Notes
+
+- Some subprojects have isolated `pyproject.toml` files (e.g., `M2/Reinforcement Learning/project/`)
+- Large datasets are not versioned—download via notebook code when needed
+- Course materials and documentation are primarily in French