Le défi collaboratif

Situation réelle :

Une organisation vous confie un grand dataset et vous demande une analyse complète sous différents angles.

Livrable collectif final

Toutes les équipes ensemble produiront :

• Synthèse intégrée : document combinant les 4 analyses
• Code unifié : fonctions compatibles entre équipes
• Recommandations communes : conclusions tirées de l’analyse complète
• Présentation collective : vision d’ensemble

Formation des équipes

L’enseignant forme 4 équipes de 4-5 personnes

Critères de formation :

• Diversité des niveaux
• Complémentarité des compétences
• Mixité si possible

Qu’est-ce qu’un code review ?

Code review = Relecture critique du code par les pairs

Objectifs :

• Trouver des bugs potentiels
• Améliorer la lisibilité
• Partager les bonnes pratiques
• Apprendre des autres

Que regarder dans un code review ?

Fonctionnalité :

• Le code fait-il ce qu’il est censé faire ?
• Gère-t-il les cas d’erreur ?

Lisibilité :

• Les noms de variables/fonctions sont-ils clairs ?
• Le code est-il bien commenté ?
• La structure est-elle logique ?

Efficacité :

• Y a-t-il des répétitions inutiles ?
• Les calculs sont-ils optimisés ?
• Les fonctions sont-elles réutilisables ?

Donner du feedback constructif

À FAIRE ✅ :

• Être spécifique : “Cette boucle pourrait être remplacée par lapply()”
• Être constructif : “Et si on ajoutait une vérification ici ?”
• Reconnaître ce qui est bon : “Excellente documentation !”
• Suggérer, ne pas imposer : “Une alternative serait…”

À ÉVITER ❌ :

• Critiquer la personne : “Tu ne sais pas coder”
• Être vague : “C’est mauvais”
• Imposer son style : “Je fais toujours comme ça”

Conventions entre équipes

Toutes les équipes doivent se mettre d’accord sur :

Noms des objets principaux :

donnees_brutes    # Dataset original
donnees_propres   # Dataset nettoyé
resultats_equipe_X  # Résultats de chaque équipe

Structure des fonctions :

# Chaque équipe préfixe ses fonctions
equipe1_analyser_temporel()
equipe2_analyser_geographique()
equipe3_analyser_facteurs()
equipe4_analyser_patterns()

Format des sorties :

• Toutes les fonctions retournent des data.frames
• Même structure : colonnes standardisées

Checkpoints intermédiaires

Après 30 minutes :

• Chaque équipe présente son avancement (2 min/équipe)
• Identification des blocages
• Ajustements si nécessaire

Après 60 minutes :

• Vérification de la compatibilité du code
• Premiers tests d’intégration
• Corrections des incompatibilités

Consultations avec l’enseignant

L’enseignant circule pour :

• Débloquer les équipes en difficulté
• Valider les choix méthodologiques
• Suggérer des améliorations
• Vérifier la compatibilité inter-équipes

Gestion des conflits

Problèmes courants :

Fonctions avec le même nom :

# Solution : préfixer ou spécifier le package/source
equipe1::analyser()
equipe2::analyser()

Structures de données incompatibles :

# Solution : créer des fonctions de conversion
convertir_format_equipe1_vers_equipe2 <- function(data) {
  # Transformation ici
}

Dépendances manquantes :

# Solution : documenter toutes les dépendances
# Créer un script setup.R
packages <- c("dplyr", "ggplot2", "lubridate")
install.packages(packages)

Test de l’intégration

Vérifications essentielles :

# Le script complet s'exécute sans erreur ?
source("analyse_integree.R")

# Les résultats sont cohérents ?
str(synthese)
summary(synthese)

# Les graphiques s'affichent ?
# Les fichiers de sortie sont créés ?

Présentation de la synthèse intégrée

Présentation collective (10 min) :

• Vision d’ensemble : Comment les 4 analyses se complètent ?
• Insights croisés : Ce qu’on voit en combinant tout
• Recommandations : Conclusions basées sur l’analyse complète
• Démo du code intégré : Montrer que tout fonctionne ensemble

Feedback et questions

Après chaque présentation :

• 2 minutes de questions/commentaires
• Feedback constructif des autres équipes
• Points d’amélioration suggérés

Vous avez réussi ! 🎉

Félicitations, vous avez :

✅ Collaboré en équipe sur un projet complexe ✅ Intégré différentes analyses en un tout cohérent ✅ Pratiqué le code review professionnel ✅ Géré les conflits et incompatibilités ✅ Communiqué efficacement sur du code ✅ Produit une analyse complète et documentée ✅ Présenté des résultats de manière professionnelle

Compétences acquises en 8 séances

Techniques :

• ✅ Programmation R : variables, fonctions, conditions, boucles
• ✅ Manipulation de données : import, nettoyage, transformation (dplyr)
• ✅ Visualisation : ggplot2, graphiques professionnels
• ✅ Organisation : code modulaire, packages, fonctions réutilisables
• ✅ Automatisation : traitement par lots, rapports paramétrés
• ✅ Documentation : R Markdown, commentaires, documentation

Compétences transversales

Méthodologiques :

• ✅ Résolution de problèmes par décomposition
• ✅ Debugging systématique
• ✅ Tests et validation du code
• ✅ Gestion d’erreurs et cas particuliers

Collaboration :

• ✅ Travail en équipe sur du code
• ✅ Code review constructif
• ✅ Communication technique
• ✅ Intégration de travaux multiples

Utilisation des LLMs

Vous savez maintenant :

• ✅ Formuler des prompts précis et contextualisés
• ✅ Valider critiquement les réponses
• ✅ Itérer pour améliorer les résultats
• ✅ Identifier les erreurs et limites des LLMs
• ✅ Utiliser les LLMs comme partenaires, pas comme oracle

Votre progression

Séance 1 : “Qu’est-ce que R ?”

Séance 2 : “Comment importer des données ?”

Séance 3 : “Comment créer une fonction ?”

Séance 4 : “Comment faire de beaux graphiques ?”

Séance 5 : “Analyse complète en autonomie !”

Séance 6 : “Organisation professionnelle du code”

Séance 7 : “Automatisation et rapports”

Séance 8 : “Projet collaboratif complexe !” ✨

Et maintenant ?

Vous êtes capables de :

• Analyser des données en autonomie
• Créer des outils réutilisables
• Automatiser des tâches répétitives
• Collaborer sur des projets data
• Continuer à apprendre par vous-même avec les LLMs

Poursuivre votre apprentissage

Ressources en ligne :

• R for Data Science - livre gratuit
• RStudio Cheatsheets
• Stack Overflow - communauté
• Votre journal de bord - vos propres notes !

Pratiquer :

• Kaggle - datasets et compétitions
• TidyTuesday - défis hebdomadaires
• Vos propres projets - le meilleur apprentissage !

Rester en contact

Communauté :

• Continuez à échanger avec vos camarades
• Partagez vos projets
• Aidez les nouveaux arrivants
• Contribuez à des projets open source

Avec les LLMs :

• Continuez à les utiliser critiquement
• Documentez vos meilleures pratiques
• Partagez vos découvertes

Merci ! 🙏

Merci pour :

• Votre engagement tout au long du cours
• Votre curiosité et vos questions
• Votre collaboration avec vos pairs
• Votre persévérance face aux difficultés

Questions finales ?