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 :

# 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)

# Vérifier le style d'un fichier
lintr::lint("script.R")

# Formater automatiquement
styler::style_file("script.R")

SQL (M2/SQL)

Environnement Docker avec MySQL :

# 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

Toujours vérifier si un pyproject.toml local existe avant d'ajouter des dépendances
Les notebooks contiennent souvent du texte explicatif en français
Utiliser Plotly pour les visualisations interactives, Matplotlib/Seaborn pour les exports
Les données volumineuses ne sont pas versionnées - télécharger via le code du notebook si nécessaire

3.2 KiB Raw Blame History