Liste des compétences

Rechercher

Discipline

Domaine de formation

Année de programme

1ère 2ème 3ème 4ème

Discipline	Compétence	Ressources : connaissances, aptitudes et attitudes	Situations
Informatique Approfondissement IMI.1.1 1. Science des données 1.1. Collecte de données	Les élèves sont capables d'identifier des sources pertinentes, de collecter et de nettoyer des jeux de données réels à l'aide d'outils adaptés, en veillant à la qualité et à la fiabilité des données recueillies.	Les élèves connaissent les principales sources et formats de données (capteurs, API, bases de données, jeux de données ouverts, CSV/JSON/tableurs) ainsi que les notions de base de la qualité des données (valeurs manquantes, doublons, valeurs aberrantes, biais d'échantillonnage). (3ème, 4ème) Les élèves sont capables d'identifier des sources de données pertinentes pour une question donnée, de les collecter à l'aide d'outils adaptés, puis de les nettoyer et de les structurer en vue de leur exploitation. (3ème, 4ème) Les élèves font preuve d'esprit critique et de rigueur quant à la fiabilité, la provenance et la qualité des données collectées, et restent attentifs aux enjeux éthiques liés à leur collecte (consentement, vie privée, biais dès la source). (3ème, 4ème)	À partir d'un jeu de données brut et volontairement « sale » fourni par l'enseignant.e (par ex. des résultats sportifs ou des données météo avec valeurs manquantes, doublons et incohérences de format), les élèves doivent nettoyer le fichier CSV à l'aide d'un notebook Python (pandas) ou d'un tableur, en documentant chaque étape de nettoyage et en justifiant leurs choix (que faire d'une valeur manquante ? d'une valeur aberrante ?). (3ème, 4ème) Les élèves choisissent un joueur ou une équipe qu'ils suivent (football, tennis, NBA, etc.) et cherchent des statistiques sportives sur un site spécialisé ou via une API sportive (par ex. statistiques de matchs, classements, performances individuelles sur une saison). Ils importent le jeu de données dans un tableur ou dans CODAP, identifient les valeurs manquantes ou aberrantes (matchs non joués, statistiques incomplètes), suppriment les doublons et harmonisent les formats (dates, unités) avant de pouvoir l'exploiter. (3ème, 4ème)
Informatique Approfondissement IMI.1.2 1. Science des données 1.2. Analyse de données	Les élèves sont capables de choisir une méthode de visualisation adaptée aux données, d'en analyser le contenu de manière quantitative et qualitative, et d'en interpréter les résultats à l'aide d'outils appropriés.	Les élèves connaissent les principales méthodes et outils de visualisation de données (nuages de points, diagrammes, tableaux croisés), les fondements de la fouille de données (data mining) et de l'apprentissage automatique (machine learning), ainsi que leurs opportunités, leurs limites et leurs impacts sur la société. (3ème, 4ème) Les élèves sont capables de choisir une méthode de visualisation adaptée à un jeu de données, d'en analyser le contenu de manière quantitative et qualitative à l'aide d'outils appropriés, et d'en interpréter les résultats pour en tirer des conclusions pertinentes. (3ème, 4ème) Les élèves adoptent une posture critique face aux résultats d'une analyse ou d'un modèle, en questionnant leur fiabilité, leurs limites et leurs éventuels biais, et se montrent conscients des impacts sociétaux que peuvent avoir les décisions fondées sur des données. (3ème, 4ème)	À partir d'un jeu de données de santé publique ou de climat (par ex. évolution des températures, des cas de grippe saisonnière), les élèves comparent plusieurs types de visualisations possibles pour la même donnée (histogramme vs diagramme en boîte vs nuage de points), justifient leur choix final, puis rédigent une courte analyse qui distingue ce qui relève de l'observation directe (quantitatif) de ce qui relève de leur interprétation (qualitatif, causes possibles, limites des données). (3ème, 4ème)

Informatique Approfondissement IMI.1.1 1. Science des données 1. Collecte de données

Les élèves sont capables d'identifier des sources pertinentes, de collecter et de nettoyer des jeux de données réels à l'aide d'outils adaptés, en veillant à la qualité et à la fiabilité des données recueillies.

Ressources : connaissances, aptitudes et attitudes

Les élèves connaissent les principales sources et formats de données (capteurs, API, bases de données, jeux de données ouverts, CSV/JSON/tableurs) ainsi que les notions de base de la qualité des données (valeurs manquantes, doublons, valeurs aberrantes, biais d'échantillonnage).

(3ème, 4ème)

Les élèves sont capables d'identifier des sources de données pertinentes pour une question donnée, de les collecter à l'aide d'outils adaptés, puis de les nettoyer et de les structurer en vue de leur exploitation.

(3ème, 4ème)

Les élèves font preuve d'esprit critique et de rigueur quant à la fiabilité, la provenance et la qualité des données collectées, et restent attentifs aux enjeux éthiques liés à leur collecte (consentement, vie privée, biais dès la source).

(3ème, 4ème)

Situations

À partir d'un jeu de données brut et volontairement « sale » fourni par l'enseignant.e (par ex. des résultats sportifs ou des données météo avec valeurs manquantes, doublons et incohérences de format), les élèves doivent nettoyer le fichier CSV à l'aide d'un notebook Python (pandas) ou d'un tableur, en documentant chaque étape de nettoyage et en justifiant leurs choix (que faire d'une valeur manquante ? d'une valeur aberrante ?).

(3ème, 4ème)

Les élèves choisissent un joueur ou une équipe qu'ils suivent (football, tennis, NBA, etc.) et cherchent des statistiques sportives sur un site spécialisé ou via une API sportive (par ex. statistiques de matchs, classements, performances individuelles sur une saison). Ils importent le jeu de données dans un tableur ou dans CODAP, identifient les valeurs manquantes ou aberrantes (matchs non joués, statistiques incomplètes), suppriment les doublons et harmonisent les formats (dates, unités) avant de pouvoir l'exploiter.

(3ème, 4ème)

Informatique Approfondissement IMI.1.2 1. Science des données 2. Analyse de données

Les élèves sont capables de choisir une méthode de visualisation adaptée aux données, d'en analyser le contenu de manière quantitative et qualitative, et d'en interpréter les résultats à l'aide d'outils appropriés.

Ressources : connaissances, aptitudes et attitudes

Les élèves connaissent les principales méthodes et outils de visualisation de données (nuages de points, diagrammes, tableaux croisés), les fondements de la fouille de données (data mining) et de l'apprentissage automatique (machine learning), ainsi que leurs opportunités, leurs limites et leurs impacts sur la société.

(3ème, 4ème)

Les élèves sont capables de choisir une méthode de visualisation adaptée à un jeu de données, d'en analyser le contenu de manière quantitative et qualitative à l'aide d'outils appropriés, et d'en interpréter les résultats pour en tirer des conclusions pertinentes.

(3ème, 4ème)

Les élèves adoptent une posture critique face aux résultats d'une analyse ou d'un modèle, en questionnant leur fiabilité, leurs limites et leurs éventuels biais, et se montrent conscients des impacts sociétaux que peuvent avoir les décisions fondées sur des données.

(3ème, 4ème)

Situations

À partir d'un jeu de données de santé publique ou de climat (par ex. évolution des températures, des cas de grippe saisonnière), les élèves comparent plusieurs types de visualisations possibles pour la même donnée (histogramme vs diagramme en boîte vs nuage de points), justifient leur choix final, puis rédigent une courte analyse qui distingue ce qui relève de l'observation directe (quantitatif) de ce qui relève de leur interprétation (qualitatif, causes possibles, limites des données).

(3ème, 4ème)