DATA-CEVI est une UE "Ressource" qui interagit avec les UE "Projets" DA et VIN. Elle est organisée en 4 modules (ECUE) :

1) DATA-COLLECT
2) DATA-EXPLORE
3) DATA-VISU
4) DATA-INFER

Les cours, travaux dirigés (TD) et travaux en autonomie (TA) sont organisés dans le temps de façon séquentielle ou parallèle (selon les ECUE).

-----


-----

Compétences travaillées :

Les trois premiers ECUE (DATA-COLLECT, DATA-EXPLORE, DATA-VISU) se rapportent à la compétence « Diagnostiquer » et forment aux apprentissages critiques suivants (Jalon 1) :

  • Diag 1.1 « Collecter et sélectionner des données techniques, économiques, sociales et environnementales pertinentes et fiables »
  • Diag 1.2 « Analyser et traiter des données techniques, économiques, sociales et environnementales »

Le dernier ECUE (DATA-INFER) se rapporte à la compétence « Valider » et forme aux apprentissages critiques suivants (Jalon 1) :

  • Val 1.1 « Décrire des données, des résultats, des phénotypes et les synthétiser »
  • Val 1.2 « Identifier les écarts et les points de conformité »

 

-----

 

Vous trouverez ci-dessous quelques ressources générales au sujet de l'agriculture numérique :

  • Comment les nouvelles technologies transforment l'agriculture (Groupe InVivo, 2016). Durée : 3min50

Current Time 0:00
Duration 0:00
Loaded: 0%
Stream Type LIVE
Remaining Time 0:00
 
1x
  • Chapters
  • descriptions off, selected
  • captions off, selected

    • Les capteurs et le Big Data en agriculture (Terrena, 2015). Durée : 3min49
    Current Time 0:00
    Duration 0:00
    Loaded: 0%
    Stream Type LIVE
    Remaining Time 0:00
     
    1x
    • Chapters
    • descriptions off, selected
    • captions off, selected
      • L'agriculture 2.0 (ARTE, FUTUREMAG, 2014). Durée : 14min57

      Current Time 0:00
      Duration -:-
      Loaded: 0%
      Stream Type LIVE
      Remaining Time -:-
       
      1x
      • Chapters
      • descriptions off, selected
      • captions off, selected

        • Agridrone (pleinchamp.com, 2014). Durée : 3min40

        Current Time 0:00
        Duration 0:00
        Loaded: 0%
        Stream Type LIVE
        Remaining Time 0:00
         
        1x
        • Chapters
        • descriptions off, selected
        • captions off, selected

           

          DATA-COLLECT

          A l’issue de l’ECUE 1 (DATA-COLLECT) l’élève sera capable :

          • de citer différentes sources de données agri-environnementales et d’identifier leur nature
          • d’appliquer différentes techniques de recherche, collecte et extraction de données décrites dans des formats variés (interrogation de BD, aspiration, recueil de données CSV, JSON…)
          • d’appliquer différentes méthodes de collecte de données en sciences sociales (questionnaire, entretien semi-directif, observation)

          DATA-EXPLORE

          A l’issue de l’ECUE 2 (DATA-EXPLORE) l’élève sera capable :

          • de manipuler des données dans un tableur par formule de calcul, commande interactive des menus, et par programmation
          • de manipuler des données avec le logiciel R (import, extraction, application de fonctions)
          • de décrire et  résumer un jeu de données en termes statistiques et à l’aide de graphiques simples adaptés

          DATA-INFER

          A l’issue de l’ECUE 4 (DATA-INFER) l’élève sera capable :

          • de définir et différencier les concepts liés à la théorie de l’échantillonnage
          • de calculer les estimations ponctuelles et par intervalle de confiance de paramètres d’une population et de choisir le meilleur estimateur d’un paramètre (critères de biais, variance, convergence)
          • d’effectuer un test de conformité

          DATA-VISU

          A l’issue de l’ECUE 3 (DATA-VISU) l’élève sera capable :

          • d’identifier et décrire différentes représentations graphiques possibles selon la nature des données et le message à communiquer (comparer, mettre en relation, représenter une distribution...
          • de réaliser la représentation graphique de données uni et bi-variée avec le logiciel R
          • d’évaluer la pertinence d’une représentation graphique existante