Retour à l'université

Résumé

Ce mois-ci, je suis retourné à l'université pour un cours spécial de programmation scientifique. Avec les nombreuses avancées récentes de l'apprentissage automatique (ce qu'on appelle « IA » dans le jargon PowerPoint), ChatGPT compris, c'était le moment idéal pour me plonger dans la programmation en Python. Viens avec moi dans cette aventure.

Texte intégral

Pourquoi Python pour la programmation scientifique ?

Python a gagné une immense popularité dans la communauté scientifique, et pour de bonnes raisons. Sa simplicité et sa lisibilité le rendent accessible aux débutants, tout en gardant la puissance nécessaire pour s'attaquer à des tâches complexes. La polyvalence du langage permet aux chercheurs et aux scientifiques d'implémenter des algorithmes et des modèles avec une relative facilité.

Une vaste gamme de bibliothèques dédiées au calcul scientifique, comme NumPy, SciPy, Pandas et Matplotlib, renforce la position de Python dans ce domaine. Ces bibliothèques offrent des fonctions et des outils complets pour l'analyse de données, la modélisation statistique et la visualisation, ce qui simplifie le processus de programmation scientifique.

Par rapport à d'autres langages de programmation, comme JavaScript ou Ruby, souvent utilisés dans des contextes non scientifiques comme le développement web, Python a une syntaxe plus directe. Ça permet de se concentrer sur le problème à résoudre plutôt que de lutter avec les subtilités du langage. De plus, le vaste écosystème scientifique de Python en fait un choix plus adapté aux applications de recherche.

Regarde ces deux exemples de code, l'un en C++ et l'autre en Python 3. Chaque programme fait la même chose : il demande le nom et la date de naissance de l'utilisateur, effectue une validation de base de la saisie et affiche enfin l'âge actuel de l'utilisateur.

On voit facilement le contraste de syntaxe entre les deux langages : Python ressemble bien plus à de l'anglais de tous les jours. Cet aspect de Python améliore souvent la lisibilité et la compréhension pour beaucoup d'utilisateurs.

Un autre facteur du succès de Python en programmation scientifique est sa communauté dynamique. Des chercheurs et des développeurs de toutes les disciplines partagent leurs connaissances, apportent leur aide et contribuent à des projets open source, ce qui crée un environnement de collaboration et d'apprentissage continu.

Le cours

Pendant le cours, on a exploré les bases absolues de la programmation en s'attaquant à des problèmes issus de différents domaines scientifiques. À la fin, on avait acquis une solide maîtrise des principes de programmation, avec la capacité de les appliquer dans différents domaines et projets.

Revenir aux bases de la programmation peut être extrêmement bénéfique, même pour des programmeurs expérimentés (comme moi). Avec le temps, il n'est pas rare que les programmeurs prennent des habitudes ou des raccourcis qui ne respectent pas les bonnes pratiques. En revenant aux fondamentaux, tu peux désapprendre les mauvaises habitudes et rebâtir de solides fondations. De plus, le secteur de la tech évolue vite, avec des innovations et des mises à jour en permanence. En revisitant les bases, les programmeurs chevronnés restent à jour sur les dernières avancées et méthodologies. Cette remise en question offre aussi l'occasion d'aborder la programmation avec une page blanche.

Le cours comprenait plusieurs modules. Au niveau 1, il fallait choisir entre ALGORITHMES, qui consistait à décomposer des problèmes intuitifs en étapes qu'un ordinateur peut comprendre, et NOMBRES, un module à l'orientation mathématique qui explorait les propriétés des nombres sans demander de connaissances préalables en maths. Au niveau 2, le choix était entre TEXTE, centré sur le traitement du langage naturel et l'analyse des sentiments dans des tweets, et INTÉGRATION NUMÉRIQUE, où l'on apprenait des techniques importantes pour déterminer l'aire sous une fonction quand l'intégration classique ne suffisait pas. Le niveau 3 consistait à travailler avec les BIG DATA, en analysant de grands jeux de données et les régimes météorologiques aux Pays-Bas. Un niveau bonus facultatif, MOUVEMENT, proposait la simulation d'un tunnel creusé à travers la planète et explorait des problèmes de physique qu'on peut résoudre avec l'aide de l'ordinateur.

Conclusion

Quels que soient notre âge ou notre sagesse, il y a toujours de la place pour apprendre quelque chose de nouveau, surtout avec les avancées de l'apprentissage automatique comme GPT4. En plus, retourner à l'université change agréablement les idées : le contexte est complètement différent de celui du monde commercial et professionnel dans lequel j'évolue d'habitude. Adopte le mantra : reste affamé, reste fou !