mirror of
https://github.com/ArthurDanjou/ArtStudies.git
synced 2026-02-13 20:07:40 +01:00
84 lines
3.2 KiB
Markdown
84 lines
3.2 KiB
Markdown
# 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
|