Génerate HTML (should be propagated to FUN)

module4/ressources/exo1.html

+<div id="content">
+<div id="table-of-contents">
+<h2>Table of Contents</h2>
+<div id="text-table-of-contents">
+<ul style="margin:0 0;">
+<li style="margin-bottom:0;"><a href="#orgb81fe94">Exercice 1: Ré-exécuter n'est pas répliquer&#x2026;</a></li>
+</ul>
+</div>
+</div>
+
+<div id="outline-container-orgb81fe94" class="outline-2">
+<h2 id="orgb81fe94">Exercice 1: Ré-exécuter n'est pas répliquer&#x2026;</h2>
+<div class="outline-text-2" id="text-orgb81fe94">
+<p>
+Même si la terminologie peut varier d'un auteur ou d'une communauté à
+l'autre, il est important de comprendre que l'on peut distinguer
+différent niveau de "réplication" selon que l'on s'est contenté de
+vérifier que l'on pouvait ré-exécuter le code et obtenir exactement les
+mêmes résultats ou bien que l'on arrivait à reproduire des résultats
+similaires en suivant une approche similaire (éventuellement avec un
+autre langage, une autre méthode de calcul, etc.). À Ce sujet, vous
+pourrez vouloir par exemple lire <a href="https://arxiv.org/abs/1708.08205">https://arxiv.org/abs/1708.08205</a>.
+</p>
+
+<p>
+Le diable se cache souvent dans des endroits auxquels on ne penserait
+jamais et nous sommes nous-mêmes allés de surprise en surprise en
+préparant ce MOOC, notamment avec l'exercice du module 2 sur
+Challenger. C'est pourquoi nous vous proposons dans cet exercice, de
+refaire une partie de l'analyse des données de Challenger, comme l'ont
+fait Siddhartha Dallal et ses co-auteurs il y a presque 30 ans dans
+leur article <i>Risk Analysis of the Space Shuttle: Pre-Challenger
+Prediction of Failure</i> et publié dans le <i>Journal of the American
+Statistical Association</i> (Vol. 84, No. 408, Déc., 1989), mais dans
+dans un autre langage de votre choix (Python, R, Julia, SAS,
+&#x2026;). 
+</p>
+
+<p>
+Nous savons d'expérience que si les estimations de pente et
+d'intercept sont généralement les mêmes, on peut avoir des différences
+lorsque l'on regarde un peu plus dans les détails les estimateurs de
+variance et le R<sup>2</sup>. Il peut également y avoir des surprises dans le
+graphique final selon les versions de bibliothèques utilisées.
+</p>
+
+<p>
+L'ensemble des calculs à effectuer est décrit ici:
+<a href="https://app-learninglab.inria.fr/gitlab/moocrr-session1/moocrr-reproducibility-study/">https://app-learninglab.inria.fr/gitlab/moocrr-session1/moocrr-reproducibility-study/</a>
+</p>
+
+<p>
+Vous y trouverez notre réplication des calculs de Dallal et al. (en
+R), une mise en œuvre en python et une en R (très similaires à ce que
+vous avez pu utiliser dans le module 2). Cet exercice peut donc se
+faire à deux niveaux:
+</p>
+<ol class="org-ol">
+<li style="margin-bottom:0;">un niveau facile pour ceux qui repartiront du code dans le langage
+qu'ils n'auront initialement pas utilisé et se contenteront de le
+ré-exécuter. Pour cela, nul besoin de maîtriser la régression
+logistique, il suffit de bien inspecter les sorties produites et de
+vérifier qu'elles correspondent bien aux valeurs attendues. Pour
+ceux qui ré-exécuteraient le notebook Python dans l'environnement
+Jupyter du MOOC, n'hésitez pas à consulter <a href="https://www.fun-mooc.fr/courses/course-v1:inria+41016+session01bis/courseware/66bc811404b8481da5f794de54681c5e/f8608bfb261b4c289b35b2cd19d5baf3/">les ressources de la
+section 4A du module 2</a> qui expliquent comment y importer un
+notebook.</li>
+<li style="margin-bottom:0;">un niveau plus difficile pour ceux qui souhaiteront le réécrire
+complètement (éventuellement dans un autre langage que R ou python,
+l'expérience peut être d'autant plus intéressante que nous n'avons
+pas testé ces variations). Là, si les fonctions de calcul d'une
+régression logistique ne sont pas présente, il y a par contre
+intérêt à en savoir un minimum pour pouvoir les
+implémenter. L'exercice en est d'autant plus instructif.</li>
+</ol>
+
+<p>
+Vous pourrez alors discuter sur le forum des succès et des échecs que
+vous avez pu rencontrer. Pour cela:
+</p>
+<ul class="org-ul">
+<li style="margin-bottom:0;">Vous publierez auparavant dans votre dépôt les différents notebooks
+en prenant bien soin d'enrichir votre document des informations
+(numéros de version, etc.) sur votre système et sur les
+bibliothèques installées.</li>
+<li style="margin-bottom:0;">Vous indiquerez votre résultat (que ça soit un succès ou échec à
+obtenir les mêmes résultats) en remplissant le <a href="https://app-learninglab.inria.fr/gitlab/moocrr-session1/moocrr-reproducibility-study/blob/master/results.org">tableau</a> dans ce même
+dépôt (vous avez les droits d'édition donc il vous suffit d'éditer
+les fichiers via l'interface GitLab). Vous vérifierez les valeurs
+obtenues pour
+<ol class="org-ol">
+<li style="margin-bottom:0;">les coefficients de la pente et de l'intercept</li>
+<li style="margin-bottom:0;">les estimations d'erreur de ces coefficients</li>
+<li style="margin-bottom:0;">le goodness of fit</li>
+<li style="margin-bottom:0;">la figure</li>
+<li style="margin-bottom:0;">la zone de confiance</li>
+</ol></li>
+<li style="margin-bottom:0;"><p>
+Pour chacun vous indiquerez si le résultat est:
+</p>
+<ul class="org-ul">
+<li style="margin-bottom:0;">identique</li>
+<li style="margin-bottom:0;">proche à moins de trois décimales</li>
+<li style="margin-bottom:0;">très différent</li>
+<li style="margin-bottom:0;">non fonctionnel (pas de résultat obtenu)</li>
+</ul>
+<p>
+Vous indiquerez également dans ce tableau:
+</p>
+<ul class="org-ul">
+<li style="margin-bottom:0;">Un lien vers votre espace gitlab contenant les différents notebooks</li>
+<li style="margin-bottom:0;">Le nom du système d'exploitation utilisé</li>
+<li style="margin-bottom:0;">Le langage utilisé et son numéro de version</li>
+<li style="margin-bottom:0;">Les numéros des principales bibliothèques utilisées
+<ul class="org-ul">
+<li style="margin-bottom:0;">Python: numpy, pandas, matplotlib, statsmodels, &#x2026;</li>
+<li style="margin-bottom:0;">R: BLAS, ggplot, dplyr si chargées</li>
+</ul></li>
+</ul></li>
+</ul>
+
+<p>
+Ne vous inquiétez pas si ces consignes vous semblent peu claires sur l'instant,
+elles sont rappelées en haut du <a href="https://app-learninglab.inria.fr/gitlab/moocrr-session1/moocrr-reproducibility-study/blob/master/results.org">tableau</a> et vous vous rendrez vite
+compte s'il vous manque quelque chose quand vous essaierez de remplir
+ce tableau.
+</p>
+
+<p>
+Nous effectuerons une synthèse illustrant les principales divergences
+observées et nous vous l'enverrons à la fin du MOOC.
+</p>
+</div>
+</div>
+</div>

module4/ressources/exo2.html

+<div id="content">
+<div id="table-of-contents">
+<h2>Table of Contents</h2>
+<div id="text-table-of-contents">
+<ul style="margin:0 0;">
+<li style="margin-bottom:0;"><a href="#org1532036">Exercice 2: L'importance de l'environnement</a></li>
+</ul>
+</div>
+</div>
+
+<div id="outline-container-org1532036" class="outline-2">
+<h2 id="org1532036">Exercice 2: L'importance de l'environnement</h2>
+<div class="outline-text-2" id="text-org1532036">
+<p>
+Dans cet exercice, nous vous proposons de reprendre l'exercice
+précédent mais en mettant à jour l'environnement de calcul. En effet,
+nous avons rencontré des surprises en préparant ce MOOC puisqu'il nous
+est arrivé d'avoir des résultats différents entre nos machines et
+l'environnement jupyter que nous avions mis en place pour le MOOC.  Ça
+sera peut-être également votre cas!
+</p>
+
+<ol class="org-ol">
+<li style="margin-bottom:0;">Pour ceux qui ont suivi le parcours jupyter, recréer
+l'environnement du MOOC sur votre propre machine en suivant les
+instructions données
+<a href="https://www.fun-mooc.fr/courses/course-v1:inria+41016+session01bis/courseware/66bc811404b8481da5f794de54681c5e/f8608bfb261b4c289b35b2cd19d5baf3/">dans les ressources de la section 4A du module 2</a>.</li>
+<li style="margin-bottom:0;">Vérifier si vous obtenez bien les même résultats que ceux
+attendus.</li>
+<li style="margin-bottom:0;">Mettre à jour (vers le haut ou vers la bas) cet environnement et
+vérifier si vous obtenez les mêmes résultats</li>
+</ol>
+
+<p>
+Comme précédemment, vous mettrez à jour le <a href="https://app-learninglab.inria.fr/gitlab/moocrr-session1/moocrr-reproducibility-study/blob/master/results.org">tableau</a> et vous discuterez
+sur le forum des succès et des échec que vous aurez rencontrés.
+</p>
+</div>
+</div>
+</div>

module4/ressources/exo3.html

+<div id="content">
+<div id="table-of-contents">
+<h2>Table of Contents</h2>
+<div id="text-table-of-contents">
+<ul style="margin:0 0;">
+<li style="margin-bottom:0;"><a href="#org5af9c4a">Exercice 3: Répliquer un papier de Rescience</a></li>
+</ul>
+</div>
+</div>
+
+<div id="outline-container-org5af9c4a" class="outline-2">
+<h2 id="org5af9c4a">Exercice 3: Répliquer un papier de Rescience</h2>
+<div class="outline-text-2" id="text-org5af9c4a">
+<p>
+Rescience (<a href="http://rescience.github.io/">http://rescience.github.io/</a>) est un journal de sciences
+computationnelles entièrement ouvert dont l'objectif est d'encourager
+la réplication de travaux déjà publiés en s'assurant que l'ensemble du
+code et des données soit disponible. Pour chacun des articles publiés
+dans Rescience, nous avons la garantie qu'au moins trois chercheurs
+indépendants ont réussi à suivre les indications, à ré-exécuter le
+code et à ré-obtenir les mêmes résultats que ceux décrits par les
+auteurs. Cela ne veut pas dire que cela soit parfaitement automatique
+pour autant et il peut être intéressant de voir comment ils ont
+procédé.
+</p>
+
+<p>
+Nous vous proposons donc de choisir l'un de ces articles (celui avec
+lequel vous avez le plus d'affinité) et d'essayer de réexécuter les
+codes et les calculs décrits dans l'article. N'hésitez pas à indiquer
+vos difficultés éventuelles sur le forum où nous répondrons à vos questions.
+</p>
+</div>
+</div>
+</div>