Merge branch 'master' of...

Merge branch 'master' of https://app-learninglab.inria.fr/moocrr/gitlab/850ad9002e8a94b002cf8b2ee50ec6d9/mooc-rr

journal/Readme.md

+:23-10-2020:
 # Module 1 : Cahier de notes, cahier de laboratoire
 ## 0. Introduction
 ## 1. Nous utilisons tous des cahiers de notes
@@ -285,3 +286,113 @@ voir les notes du document analyse-syndrome-grippal-rstudio.Rmd
 ** Travail pratique évalué par les pairs **
 
 # Module 4 : Vers une étude reproductible : la réalité du terrain
+## 1. L'enfer des données
+Deux "nouveaux" problèmes : lorsque nous commençons à travailler sur de "vraies" données, nous nous trouvons généralement confrontés à deux problèmes : 
+ 1. les données sont de natures **"diverse"**
+ 2. les données occupent un **grand espace mémoire**
+
+### 1.1. Les données diverses ou non-homogènes
+Les données grippales du module 3 se prêtent bien à une présentation en table (objet à 2 dimensions).  
+MAIS souvent la forme table doit être abandonnée car
+- les colonnes n'ont pas la mm longueur
+- les données peuvent être des suites chronologiques (ex données grippales ou varicelle) **et** des images, etc. 
+
+### 1.2. Les données sont "trop grosses"
+ - les données numériques ne peuvent être représentées sous format texte que jusqu'à certain point
+ - deux considérations nous poussent à adopter un **format binaire**:
+      - les nombres stockés en format binaire prennent moins de place en mémoire que format texte
+      - les nombre en format texte doivent être de toute façon convertis en formats binaire **pour faire des calculs**
+
+### Ce qu'il faut garder du format texte : les **métadonnées**
+ - le format texte nous permet de **stocker**:
+       - des données i.e des nombres
+       - tout ce que l'on veut ...
+ - nous pouvons ainsi rajouter des informations sur les données:
+       - d'où proviennent-elles ?
+       - quand ont-elles été enregistrées ? 
+       - avec quel instrument et quels paramètres ? 
+       - etc
+ - Ces informations sur les données = **METADONNEES**
+       - elles sont **vitales** pour la mise en oeuvre de la recherche reproductible
+
+### Ce qu'il faut garder du format texte : le **boutisme**
+ - le format texte est **"universel"** (*dans l'univers de l'informatique*)
+ - les formats binaires tendent à changer suivant l'architecture ou le système d'exploitation
+ - l'entier codé sur 4 bits 1010 peut ainsi être lu comme : 
+       - 1x1 + 0x2 + 1x4 + 0x8 = 5 --> **petit-boutisme**
+       - 1x8 + 0x4 + 1x2 + 0x1 = 10 --> **gros-boutisme**
+ - **stockage en format binaire doit spécifier le boutisme utilisé**
+
+--> FITS (introduit par astrophysiciens, général, HDU= en-tête + données) et HDF5 (arborisation de fichier, group=répertoire contient 1 ou +ieurs datasets)  
+--> stockage de métadonnées de façon pérenne
+
+## 2. L'enfer du logiciel
+### 2.1. Passage à l'échelle : les codes complexes
+Limitations et incovénients d'un document computationnel (notebook):
+- lorsque le code est long, il devient difficile d'avoir une vie d'ensemble
+- les interactions entre différents langages peuvent être hasardeuse car peu explicites
+- il n'est pas bien adapté à des calculs longs ou impliquant de gros volumes de données
+- la sauvegarde des résultats intermédiaires ou la poursuite d'un calcul après une interrupetion sont des processus généralement mannuels = source d'erreur
+
+**Workflow**=
+- permet de mieux structurer son code et de proposer une représentation graphique de haut niveau
+- il se passe d'effets de bord, ce qui diminue les risques d'erreur
+- il permet d'exploiter plus facilement une machine parallèle
+
+Lorsque l'environnement logiciel d'un calcul n'est pas préservé, en terme de reproducibilité, 
+- on ne peut pas arriver à réexécuter notre calcul
+- mes collègues non plus
+- le résultat des calculs peut changer
+
+### 2.2. Passage à l'échelle : les environnements complexes
+interdépendances entre librairie et package  
+Il faut contrôle l'environnement dans lequel on travail : 
+- Conserver le bazar = capture automatique de l'environnement (CDE, ReproZip, CARE)
+- Faire le ménage = partir d'un environnement vierge, installer le nécessaire et l'expliciter (Docker/Singularity, Guix/Nix)
+
+Il sera donc très facile de figer un environnement et de le partager avec un tierce.
+
+### 2.3. L'épreuve du temps
+Compatibilité ascendante des logiciels (évolution des versions) --> outils à développement **rapides** mais **fragiles** et **peu pérennes**!  
+
+Il est possible de préserver l'environnement logiciel d'un calcul effectué à l'aide du langage pyhton ou R
+- en utilisant un outil qui **capture automatiquement** l'ensemble des fichiers et de bibliothèques utilisées lors du calcul
+- en travaillant dans un **conteneur* docker du début à la fin
+
+Mettre à disposition l'environnement logiciel (ss forme binaire avec une image docker par ex) d'un calcul permet à un tierce de **réexécuter ce calcul**.
+
+**HAL** ou **ArXiv** permet d'archiver et mettre à disposition **un article de recherche**.
+
+**Figshare** ou **Zenodo** permet d'archiver et de mettre à disposition des **données**.
+
+**Github** ou **Gitlab** et **Software Heritage** permet d'archiver ou mettre à disposition du **code**.
+
+## 3. L'enfer du calcul
+### L'arrondi et l'ordre des opérations ...
+Pour un calcul reproductible (deaux approches) : 
+- insister sur le respect de l'ordre des opérations, si le langage le permet
+- rendre la compilation reproductible: 
+      - noter la version précise du compilateur
+      - noter TOUTES les options de compilation
+
+### Un autre problème est posée par le **calcul parallèle**
+L'objectif du calcul parallèle est de proposer une exécution **plus rapide** en
+- minimisant la communication entre processeurs
+- adaptant la répartition des données
+- et donc adapter l'ordre des opérations qui ainsi peut varier d'une exécution à l'autre
+
+ALORS **le résultat dépend du nombre de processeurs**.  
+
+### Les nombres pseudo_aléatoires
+= suite de nombres **en apparence** aléatoires mais générées par une algorithme déterministe.
+**graine** (nombre entier) > état 1 --> nombre aléatoire 1 > état 2 --> nombre aléatoire 2 > ... > état n --> nombre aléatoire n
+
+DONC, la reproductibilité = mm graine + mm algorithme = mm suite
+
+*graine est choisie comme fonction de l'heure* à définir dans le code d'application
+
+Quelles précautions augmentent la reproductibilité des nombres pseudo-aléatoires: 
+- définir la graine dans le code d'application
+- noter le numéro de version du générateur
+
+## 4. Conclusion : que faut-il retenir de ce MOOC ?