Annals of Youtube Science 1(11) : Sur la science des données

Numéro un peu spécial des Annals, car ce n’est pas une (ou plusieurs) conférences que je recommande ici, mais une série d’interviews, les « DataChats » de la plateforme de formation DataCamp (chaîne Youtube), qui propose des cours de Python et de R en ligne. Les entretiens sont réalisés avec certains des enseignants qui font le catalogue de cours de DataCamp, et qui est probablement l’un des meilleurs catalogues de cours en ligne pour se former en « science des données »1.

Voici le sixième épisode de la série, avec la statisticienne Jo Hardin, qui présente son cours sur le bootstrapping :

Je vous conseille vraiment toute la série d’entretiens (15-20 minutes chacun), dont voici les cinq premiers :

  1. Max Kuhn, le créateur du package R caret

  2. Garrett Grolemund, l’un des data scientists de RStudio, et le co-auteur, avec Hadley Wickham, de R for Data Science

  3. Charlotte Wickham, qui a un superbe CV d’enseignante en statistiques

  4. David Robinson, data scientist chez Stack Overflow, le site de programmation où quelqu’un a (presque) toujours une réponse à votre question (si elle est bien posée), et l’auteur d’un de mes packages R favoris, broom (brève présentation)

  5. Ron Pearson, qui donne un cours de visualisation de données avec R, et qui a tout un tas de concepts intéressants à partager (in-liers, disguised missing data), en plus d’une réflexion très intéressante sur le machine learning.

  1. Je n’ai évidemment aucune action chez DataCamp, mais j’aime beaucoup leur catalogue (sans rien avoir acheté chez eux), et j’apprécie d’autant plus qu’ils ont mis en ligne une version « light » de leur plateforme d’enseignement. []

Notes supplémentaires sur l’analyse de réseaux

J’ai récemment présenté mes recherches sur les réseaux de collaboration législative à Marseille, où j’ai aussi donné, grâce à Joël, une formation à l’analyse de réseaux.

Les slides de la première présentation, donnée au RUG Aix-Marseille, sont en ligne sur le site Internet de Datactivi.st, et sur Google Slides ; il s’agit d’une traduction de notes déjà présentées, et qui m’a permis de récolter plusieurs idées et commentaires très utiles pour améliorer mes recherches.

Quant aux slides de la formation en analyse de réseaux, qui m’a permis de rencontrer ou de revoir les amis du Centre pour l’édition électronique ouverte, sont ci-dessous, et aussi sur Google Slides.

La plupart des illustrations de ces slides proviennent de l’excellent manuel de Mark E. J. Newman sur les réseaux.

J’y mentionne aussi cette liste de ressources sur l’analyse de réseaux, dont j’ai fait la publicité ici et ailleurs, l’excellent tutoriel de visualisation de réseaux de Katherine Ognyanova (mentionné ici et ), un autre manuel de graph mining avec R, et évidemment, l’excellent guide à l’utilisation du package igraph, par Eric D. Kolaczyk et Gábor Csárdi.

Journée d’étude « réseaux » à Lille, jeudi 8 juin 2017

Jeudi 8 juin à Lille, nous organisons, avec Sylvain Mignot et Fabien Éloire, une journée d’étude qui vise à fédérer les chercheurs en sciences humaines et sociales intéressés par l’analyse de réseaux.

Le programme (anglais, français) est en ligne, et les inscriptions se font avec ce formulaire, ou auprès de moi par email, comme indiqué dans l’affiche. Attention, les places sont limitées, donc inscrivez-vous vite si vous souhaitez venir !

La journée est co-financée par le Groupement de recherche Analyse de réseaux en sciences humaines et sociales (GDR AR-SHS), à qui nous enverrons un compte-rendu de la journée pour publication sur son blog.

L’un des objectifs à moyen terme de cette journée est de monter un collectif de recherche en analyse de réseaux sur Lille, puis de connecter ce collectif à des équipes de recherche idoines dans la région, à Paris ou en Belgique.

Si le projet vous intéresse, idem, écrivez-moi !

La même annonce est disponible sur le site Internet d’ESPOL, qui co-finance et co-organise l’événement avec quelques autres unités de recherche basées à Lille – l’Anthropo-Lab, la FGES et le CLERSÉ.

Séminaire RUSS : Web scraping et APIs avec R

Sur la sympathique invitation de Timothée Giraud, dont je parlais il y a peu, j’interviens après-demain au séminaire RUSS – « R à l’usage des sciences sociales » – co-organisé par l’Ined et par l’EHESS.

Le séminaire a lieu dans le bâtiment Olympes de Gouges de Paris Diderot (salle M19), de 9 heures à midi.

Comme dans d’autres séances de formation telles que celle-ci, il s’agira de voir quels outils permettent de récupérer des données depuis Internet, soit par le biais d’extractions depuis des pages HTML, soit par le biais d’APIs dédiées à la diffusion de données par moyens programmatiques.

Vous avez déjà entendu parler de ces sujets ici : ce blog parle beaucoup de scraping, un peu moins d’APIs—il me semble que la dernière dont j’ai fourni un exemple d’utilisation est celle de Thèses.fr.

Les slides de ma présentation sont disponibles sur le site du séminaire RUSS. En voici un aperçu, que je poste uniquement pour pouvoir montrer ma slide « RTFM » (vers la fin) :

Quasiment toutes les images des slides sont cliquables pour obtenir les sources.

Bonne lecture, et/ou à bientôt si vous êtes inscrit(e) au séminaire !

Addendum, 27 juillet 2017 : cette formidable liste d’APIs renvoyant des résultats au format JSON a définitivement sa place en bas de ce billet.

Addendum, 29 juillet 2017 : ce billet, provoqué par ce billet sur l’éthique du scraping, a aussi sa place ici.

Annals of Youtube Science 1(8) : Edward Tufte

On ne présente plus Edward Tufte, s’exprimant ici en septembre 2016 sur « le futur de l’analyse des données » (la conférence étant, en réalité, un aperçu plus général que ça de ce que sont l’analyse et la visualisation de données) :

Visionnage très recommandé, ne serait-ce que pour les quelques citations marquantes que Tufte met en avant au fil de son exposé :

conf-tufte-1

conf-tufte-2

Si vous découvrez le personnage, son ouvrage le plus connu est probablement The Visual Display of Quantitative Information, qui est devenu une sorte de livre sacré de la visualisation de données.

Modèles : Poutou battrait Macron, qui battrait Le Pen, au troisième tour

On s’éloigne du 1er avril, et l’on se rapproche du premier tour de l’élection présidentielle.

Coïncidence ? Je ne crois pas.

Si ce style de « raisonnement » vous plaît, alors ce papier, dont la seule véritable hypothèse implicite semble être la régression vers la médiocrité au sens propre comme au sens figuré, est fait pour vous :

Certes, l’argument est très facilement démontable : il suffit de prendre le plus gros contingent électoral du candidat en question et réaliser que, même si le taux de participation descendait à 70%, il faudrait encore, pour que Marine Le Pen remporte le second tour de l’élection présidentielle après s’être qualifiée au premier, qu’elle obtienne plus du double des électeurs ayant jamais voté Front national lors d’un tour d’élection.

Impossible ? Bien sûr que non : à partir du moment où un candidat est présent au second tour, il est naturellement éligible. Simplement, poser l’hypothèse d’une mobilisation différentielle qui laisserait à un raz-de-marée électoral d’entre 6 et 9 millions de nouveaux votes Front national est totalement déconnecté de la réalité, ce que ce billet / poisson-d’avril exprime aussi très bien :

Entre ça, les débats télévisés et les sondages, il est grand temps, quelque part, que le vote ait lieu et qu’on en finisse. Vote pour lequel j’ai par ailleurs découvert qu’au final, j’étais encore inscrit, à l’insu de mon plein gré ! C’est dire si je connais bien mon Code électoral…

Quelques liens pour terminer

Pour terminer, si vous avez lu ce billet dans l’espoir de lire quelque chose de consistant sur l’élection présidentielle, je vous propose de jeter un coup d’oeil à ces portraits d’électeurs compilés par Le Monde. Ça vole moins haut que la « sociophysique », mais c’est tant mieux :

Un petit clin d’oeil amical, également, à l’émission de radio EGOphonique, de l’association Espoir Goutte d’Or – Aurore, dont le dernier numéro s’intitule « Voter, c’est ne plus rester en marge« .

Et enfin, merci à l’étudiante qui a lu mon billet sur Emmanuel Macron et qui m’a apporté… son programme, que j’ai lu (surtout la page imprimée en rose, de toute évidence ciblée sur l’électorat socialiste). J’en sors renforcé dans ma conviction intime – attention, méga-scoop : cet homme a été banquier d’affaires et ministre à Bercy, et il est encore à des années-lumière de savoir parler à l’électeur socialiste modal.

Bribes de la conférence XXL

Mi-mars, j’ai pu me rendre à un tout petit segment des journées d’étude « Science XXL », déjà rapidement évoquée dans un des quelques billets « big data » de ce blog.

La conférence se tenait salle Alfred Sauvy de l’Ined, et le peu que j’en ai vu était très réussi : bonne ambiance, présentations et arguments variés, café arôme « service public » à volonté. Et surtout, un peu à la manière du théorème de Cantor, chacune des interventions soulevait tellement de questions connexes que l’on aurait pu organiser une infinité de conférences supplémentaires en partant des positions exprimées.

L’enjeu de la conférence était de comprendre « ce que l’abondance et la diversité des données numériques font au sciences sociales », et si vous êtes intéressés par les réponses apportées à cette question, jetez un coup d’oeil aux comptes-rendus, très détaillés, d’Étienne Ollion et de Béatrice Cherrier.

Je profite de ce billet pour signaler le lancement officiel de « Démarre SHS !« , le programme “DonnÉes MAssives et Riches pour la REcherche en SHS” de l’Institut des données de Grenoble. Leur blog n’en dit pas beaucoup plus pour l’instant.

Sondages : Roosevelt battrait Macron au second tour

Je ne peux m’empêcher de partager cet article, sans en dire plus :

The Literary Digest poll of 1936, which incorrectly predicted that Landon would defeat Roosevelt in the 1936 US presidential election, has long been held up as an example of how not to sample. The sampling frame was constructed from telephone directories and automobile registration lists, and the survey had a 24% response rate. But if information collected by the poll about votes cast in 1932 had been used to weight the results, the poll would have predicted a majority of electoral votes for Roosevelt in 1936, and thus would have correctly predicted the winner of the election. We explore alternative weighting methods for the 1936 poll and the models that support them. While weighting would have resulted in Roosevelt being projected as the winner, the bias in the estimates is still very large. We discuss implications of these results for today’s low-response-rate surveys and how the accuracy of the modeling might be reflected better than current practice.

Si le sujet de la pondération des données d’enquêtes vous intéresse, je ne peux que recommander cet autre article :

Et si vous voulez lire plus de choses sur les sondages, allez voir chez Arthur Charpentier.

Women Also Know Stuff, édition personnelle 2017/03

La suite de ce billet. Éditions précédentes : 2017/01, 2017/02. Cette édition contient beaucoup, beaucoup d’analyse de données.

  1. Ann Swidler, dont il est temps, comme l’a fait remarquer Kieran Healy, de relire le classique « Culture in Action: Symbols and Strategies » :

    swidler-culture-in-action

  2. J’ai déjà cité, dans l’édition 2017/01, Jennifer Bryan, pour ses slides sur la manipulation de données, et avant ça, j’avais cité, dans l’édition 2016, Julia Silge, pour l’ouvrage Tidy Text Mining qu’elle co-écrit avec David Robinson.

    En janvier, j’ai suivi de loin la première RStudio Conference via Twitter, et la forte présence féminine lors de la conférence m’a semblé faire partie de ses points forts. Jenny Bryan et Julia Silge en étaient, et l’on peut aussi mentionner Hilary Parker (lisez ses slides), Hilary Mason (qui a le meilleur t-shirt du monde), Amelia McNamara et Charlotte Wickham, qui a présenté une excellente démo de programmation fonctionnelle avec le package purrr.

    La forte présence féminine à la conférence ne doit pas grand chose au hasard : il y a une task force qui travaille sur le sujet, et des initiatives dans la communauté R.

  3. Meredith Monk, « Dawn », sur l’album Book of Days (1990) :

  4. Aperçue dans une autre conférence que celle citée plus haut, Haley Jeppson, qui a repris le flambeau du package productplots avec ggmosaic :

  5. Je reviendrai sur cette série d’entretiens, mais voici le sixième épisode de la série « DataChats », avec la statisticienne Jo Hardin, qui présente son cours sur le bootstrapping :

    … série dans laquelle on retrouve, à nouveau, Charlotte Wickham, qui y présente un cours de manipulation de données spatiales.

  6. Björk, « Unravel » (1997) ; la version jouée avec le Brodsky Quartet est ma favorite, mais le clip de l’originale est plus esthétique :

  7. Alice Bartlett, « Git for Humans » :

    git-for-designers

    Et sur le même thème, voir, à nouveau, Jenny Bryan et al., Happy Git and GitHub for the useR.

  8. Bonnie Stabile, pour son papier « Reproductive Policy and the Social Construction of Motherhood » :

    Findings. Women’s choices fell within social construction quadrants as being positively portrayed and powerful; negatively portrayed but powerful; positively portrayed but powerless; and negatively portrayed and powerless. Married heterosexual women embracing motherhood were likely to be viewed positively and to reap benefits. Women forgoing motherhood, poor women, and women seeking to form nontraditional families were likely to be viewed negatively and to bear burdens; critical among these burdens was restriction of access to technologies that could be used to support a decision to avoid motherhood or to achieve motherhood through nontraditional methods.

  9. Melt-Banana (Yasuko Onuki au chant, Ichirou Agata au reste), « Last Target On The Last Day », dernier morceau de l’album Bambi’s Dilemma (2007), ci-dessous en version live à Tokyo (2009) :

  10. Julia Lynch a formulé un point de vue que je rumine depuis longtemps :

    Medicalizing inequality is more appealing to most politicians than tackling income and wage inequality head-on, but it results in framing the problem of social inequality in a way that makes it technically quite difficult to solve. Policy-makers should consider adopting more traditional programs of taxation, redistribution and labor market regulation in order to reduce both health inequalities and the underlying social inequalities.

Mention spéciale : Mica Levi, pour l’intégralité de la bande originale du film Under the Skin. La bande-son, dont un extrait suit, est plus intéressante que le film lui-même, et devrait vous plaire si vous avez aimé la bande-son de Donnie Darko, par exemple.

Demain à Paris : « Approaches to Understanding the Quality of Legislation »

Ce jeudi, le Médialab et le LIEPP de Sciences Po accueillent Ruth Dixon, qui présentera ses travaux sur l’étude de la législation à partir de méthodes initialement conçues en bio-informatique.

J’ai eu la chance d’assister à une présentation des recherches de Ruth Dixon il y a plus d’un an, à Londres, et la similarité entre son approche et celle à l’origine de « La Fabrique de la Loi » m’a incité à proposer cette invitation en séminaire.

Venez nombreux et sans vuvuzelas, mais surtout, n’oubliez pas de vous inscrire avant :