Changes

[[Image:Quantitative-bioimaging.jpg|150px|Quantitative Bioimaging]]

[[Image:Quantitative-bioimaging.jpg|150px|Quantitative Bioimaging]]

<h3 style="text-decoration:none;">Quantitative Bioimaging: An Introduction to Biology, Instrumentation, Experiments, and Data Analysis for Scientists and Engineers</h3>

<h3 style="text-decoration:none;">Bioimagerie quantitative : Une introduction à la biologie, à l'instrumentation, aux expériences et à l'analyse des données pour les scientifiques et les ingénieurs</h3>

<p class="author">Raimund J Ober, E Sally Ward, and Jerry Chao</p>

<p class="author">Raimund J Ober, E Sally Ward et Jerry Chao</p>

<p>Quantitative bioimaging is a broad interdisciplinary field that exploits tools from biology, chemistry, optics, and statistical data analysis for the design and implementation of investigations of biological processes. Instead of adopting the traditional approach of focusing on just one of the component disciplines, this textbook provides a unique introduction to quantitative bioimaging that presents all of the disciplines in an integrated manner. The wide range of topics covered include basic concepts in molecular and cellular biology, relevant aspects of antibody technology, instrumentation and experimental design in fluorescence microscopy, introductory geometrical optics and diffraction theory, and parameter estimation and information theory for the analysis of stochastic data.</p>

<p>(En anglais - titre original : <strong>La bioimagerie quantitative est un vaste domaine interdisciplinaire qui exploite les outils de la biologie, de la chimie, de l'optique et de l'analyse statistique des données pour concevoir et mettre en œuvre des études sur les processus biologiques. Au lieu d'adopter l'approche traditionnelle consistant à se concentrer sur une seule des disciplines constitutives, ce manuel offre une introduction unique à la bioimagerie quantitative qui présente toutes les disciplines d'une manière intégrée. Le large éventail de sujets abordés comprend les concepts de base de la biologie moléculaire et cellulaire, les aspects pertinents de la technologie des anticorps, l'instrumentation et la conception expérimentale en microscopie à fluorescence, l'introduction à l'optique géométrique et à la théorie de la diffraction, ainsi que l'estimation des paramètres et la théorie de l'information pour l'analyse des données stochastiques.</p>

<p class="recco">Recommandé par Agriculture et Agroalimentaire Canada, un partenaire de la Communauté des données du GC.</p>

<p class="recco">Recommandé par Agriculture et Agroalimentaire Canada, un partenaire de la Communauté des données du GC.</p>

<br>

<br>

[[Image:Rapport-sur-les-donnees-ouvertes-publiques.jpg|150px|Open Government Data Report]]

[[Image:Rapport-sur-les-donnees-ouvertes-publiques.jpg|150px|Open Government Data Report]]

<h3 style="text-decoration:none;">[https://www.oecd-ilibrary.org/fr/governance/rapport-sur-les-donnees-ouvertes-publiques_12ea5027-fr Rapport sur les données ouvertes publiques : Encourager la maturité des politiques de données ouvertes pour un impact durable]</h3>

<h3 style="text-decoration:none;">[https://www.oecd-ilibrary.org/fr/governance/rapport-sur-les-donnees-ouvertes-publiques_12ea5027-fr Rapport sur les données ouvertes publiques : Encourager la maturité des politiques de données ouvertes pour un impact durable]</h3>

<p class="author">OECD</p>

<p class="author">OCDE</p>

<p>Ce rapport offre un aperçu détaillé de l’état des politiques de données ouvertes dans les pays membres de l’OCDE et de ses partenaires, se basant principalement sur les données récoltées par les enquêtes de l’OCDE sur les données publiques ouvertes en 2013, 2014 et 2016, sur celles des revues de pays et des analyses comparatives faîtes par l’OCDE. Le rapport analyse les politiques de données ouvertes en utilisant un cadre analytique conforme à l’indice OURdata sur les données publiques ouvertes, utiles et réutilisables et à la Charte internationale des données ouvertes (International Open Data Charter). Il évalue les efforts déployés par les gouvernements pour renforcer la disponibilité, l'accessibilité et la réutilisation des données publiques ouvertes. Le rapport soutient qu’au-delà de l'engagement des pays à ouvrir des données gouvernementales de qualité, la création de valeur publique nécessite la mobilisation des différentes communautés d'utilisateurs de l'ensemble de l'écosystème, tel que les journalistes, les organisations de la société civile, les entrepreneurs, les grandes entreprises technologiques privées et les universités. Le rapport souligne également le fait que les politiques de données ouvertes sont des éléments de transformations numériques plus larges et que les politiques de données du secteur public nécessitent une interaction avec d'autres programmes publics, tels que celles du gouvernement ouvert, de l'innovation, l'emploi, l'intégrité, la budgétisation publique, le développement durable, la mobilité urbaine et les transports. Il met aussi l’accent sur la pertinence de mesurer les impacts des données ouvertes afin de soutenir l'analyse de rentabilisation (i.e. le business case) des données publiques ouvertes.</p>

<p>Ce rapport offre un aperçu détaillé de l’état des politiques de données ouvertes dans les pays membres de l’OCDE et de ses partenaires, se basant principalement sur les données récoltées par les enquêtes de l’OCDE sur les données publiques ouvertes en 2013, 2014 et 2016, sur celles des revues de pays et des analyses comparatives faîtes par l’OCDE. Le rapport analyse les politiques de données ouvertes en utilisant un cadre analytique conforme à l’indice OURdata sur les données publiques ouvertes, utiles et réutilisables et à la Charte internationale des données ouvertes (International Open Data Charter). Il évalue les efforts déployés par les gouvernements pour renforcer la disponibilité, l'accessibilité et la réutilisation des données publiques ouvertes. Le rapport soutient qu’au-delà de l'engagement des pays à ouvrir des données gouvernementales de qualité, la création de valeur publique nécessite la mobilisation des différentes communautés d'utilisateurs de l'ensemble de l'écosystème, tel que les journalistes, les organisations de la société civile, les entrepreneurs, les grandes entreprises technologiques privées et les universités. Le rapport souligne également le fait que les politiques de données ouvertes sont des éléments de transformations numériques plus larges et que les politiques de données du secteur public nécessitent une interaction avec d'autres programmes publics, tels que celles du gouvernement ouvert, de l'innovation, l'emploi, l'intégrité, la budgétisation publique, le développement durable, la mobilité urbaine et les transports. Il met aussi l’accent sur la pertinence de mesurer les impacts des données ouvertes afin de soutenir l'analyse de rentabilisation (i.e. le business case) des données publiques ouvertes.</p>

<p class="recco">Recommandé par le Bureau du DPI du Canada, Secrétariat du Conseil du Trésor du Canada, un partenaire de la Communauté des données du GC.</p>

<p class="recco">Recommandé par le Bureau du DPI du Canada, Secrétariat du Conseil du Trésor du Canada, un partenaire de la Communauté des données du GC.</p>

[[Image:Good-practice-principles-for-data-ethics-in-the-public-sector.png|150px|Good Practice Principles for Data Ethics in the Public Sector]]

[[Image:Good-practice-principles-for-data-ethics-in-the-public-sector.png|150px|Good Practice Principles for Data Ethics in the Public Sector]]

<h3 style="text-decoration:none;">[https://www.oecd.org/gov/digital-government/good-practice-principles-for-data-ethics-in-the-public-sector.htm Good Practice Principles for Data Ethics in the Public Sector]</h3>

<h3 style="text-decoration:none;">[https://www.oecd.org/gov/digital-government/good-practice-principles-for-data-ethics-in-the-public-sector.htm Principes de bonnes pratiques pour l'éthique des données dans le secteur public]</h3>

<p class="author">OECD Digital Government and Data Unit</p>

<p class="author">Division des données et gouvernement données numériques de l'OCDE</p>

<p>Taking values-based common actions that place human rights at the core of digital government and data policies. The Good Practice Principles for Data Ethics in the Public Sector support the ethical use of data in digital government projects, products, and services to ensure they are worthy of citizens' trust. The document introduces 10 Good Practice Principles for Data Ethics in the Public Sector, including a set of specific actions which can support their implementation.</p>

<p>(En anglais - titre original : <strong>Good Practice Principles for Data Ethics in the Public Sector</strong>) Prendre des mesures communes fondées sur des valeurs qui placent les droits de l'homme au cœur des politiques en matière de gouvernement numérique et de données. Les principes de bonnes pratiques pour l'éthique des données dans le secteur public soutiennent l'utilisation éthique des données dans les projets, produits et services du gouvernement numérique afin de garantir qu'ils sont dignes de la confiance des citoyens. Le document présente 10 principes de bonnes pratiques pour l'éthique des données dans le secteur public, y compris une série d'actions spécifiques qui peuvent soutenir leur mise en œuvre.</p>

<p class="recco">Recommandé par le Bureau du DPI du Canada, Secrétariat du Conseil du Trésor du Canada, un partenaire de la Communauté des données du GC.</p>

<p class="recco">Recommandé par le Bureau du DPI du Canada, Secrétariat du Conseil du Trésor du Canada, un partenaire de la Communauté des données du GC.</p>

<br>

<br>

[[Image:Intro-to-hierarchical-bayesian-modeling-for-ecological-data.jpg|150px|Introduction to hierarchical Bayesian modeling for ecological data]]

[[Image:Intro-to-hierarchical-bayesian-modeling-for-ecological-data.jpg|150px|Introduction to hierarchical Bayesian modeling for ecological data]]

<h3 style="text-decoration:none;">Introduction to hierarchical Bayesian modeling for ecological data</h3>

<h3 style="text-decoration:none;">Introduction à la modélisation bayésienne hiérarchique pour les données écologiques</h3>

<p class="author">Eric Parent et Etienne Rivot</p>

<p class="author">Eric Parent et Etienne Rivot</p>

<p>Making statistical modeling and inference more accessible to ecologists and related scientists, Introduction to Hierarchical Bayesian Modeling for Ecological Datagives readers a flexible and effective framework to learn about complex ecological processes from various sources of data. It also helps readers get started on building their own statistical models. The text begins with simple models that progressively become more complex and realistic through explanatory covariates and intermediate hidden states variables. When fitting the models to data, the authors gradually present the concepts and techniques of the Bayesian paradigm from a practical point of view using real case studies. They emphasize how hierarchical Bayesian modeling supports multidimensional models involving complex interactions between parameters and latent variables. Data sets, exercises, and R and WinBUGS codes are available on the authors' website. This book shows how Bayesian statistical modeling provides an intuitive way to organize data, test ideas, investigate competing hypotheses, and assess degrees of confidence of predictions. It also illustrates how conditional reasoning can dismantle a complex reality into more understandable pieces. As conditional reasoning is intimately linked with Bayesian thinking, considering hierarchical models within the Bayesian setting offers a unified and coherent framework for modeling, estimation, and prediction.</p>

<p>(En anglais - titre original : <strong>Introduction to hierarchical Bayesian modeling for ecological data</strong>) Rendant la modélisation et l'inférence statistiques plus accessibles aux écologistes et aux scientifiques connexes, Introduction à la modélisation bayésienne hiérarchique pour les données écologiques offre aux lecteurs un cadre souple et efficace pour apprendre à connaître les processus écologiques complexes à partir de diverses sources de données. Il aide également les lecteurs à commencer à construire leurs propres modèles statistiques. Le texte commence par des modèles simples qui deviennent progressivement plus complexes et réalistes grâce à des covariables explicatives et des variables intermédiaires à états cachés. Lors de l'ajustement des modèles aux données, les auteurs présentent progressivement les concepts et techniques du paradigme bayésien d'un point de vue pratique à l'aide d'études de cas réels. Ils soulignent comment la modélisation bayésienne hiérarchique prend en charge les modèles multidimensionnels impliquant des interactions complexes entre les paramètres et les variables latentes. Des ensembles de données, des exercices et des codes R et WinBUGS sont disponibles sur le site Web des auteurs. Ce livre montre comment la modélisation statistique bayésienne offre un moyen intuitif d'organiser les données, de tester des idées, d'étudier des hypothèses concurrentes et d'évaluer le degré de confiance des prédictions. Il illustre également comment le raisonnement conditionnel peut démanteler une réalité complexe en morceaux plus compréhensibles. Le raisonnement conditionnel étant intimement lié à la pensée bayésienne, la prise en compte des modèles hiérarchiques dans le cadre bayésien offre un cadre unifié et cohérent pour la modélisation, l'estimation et la prédiction.</p>

<p class="recco">Recommandé par Agriculture et Agroalimentaire Canada, un partenaire de la Communauté des données du GC.</p>

<p class="recco">Recommandé par Agriculture et Agroalimentaire Canada, un partenaire de la Communauté des données du GC.</p>

<br>

<br>

[[Image:Statistical-and-machine-learning-data-mining.jpg|150px|Statistical and machine-learning data mining]]

[[Image:Statistical-and-machine-learning-data-mining.jpg|150px|Statistical and machine-learning data mining]]

<h3 style="text-decoration:none;">Statistical and machine-learning data mining: techniques for better predictive modeling and analysis of big data</h3>

<h3 style="text-decoration:none;">Extraction de données statistiques et d'apprentissage automatique : techniques pour une meilleure modélisation prédictive et une meilleure analyse des données volumineuses</h3>

<p class="author">Bruce Ratner</p>

<p class="author">Bruce Ratner</p>

<p>Focusing on uniquely large-scale statistical models that effectively consider big data identifying structures (variables) with the appropriate predictive power in order to yield reliable, robust, relevant large scale analyses, this edition incorporates 13 chapters, as well as explanations of the author's own GenIQ model.</p>

<p>(En anglais - titre original : <strong>Statistical and machine-learning data mining: techniques for better predictive modeling and analysis of big data</strong>) Axée sur des modèles statistiques à grande échelle uniques qui prennent efficacement en compte les structures d'identification des big data (variables) avec le pouvoir prédictif approprié afin de produire des analyses à grande échelle fiables, robustes et pertinentes, cette édition comprend 13 chapitres, ainsi que des explications sur le modèle GenIQ propre à l'auteur.</p>

<p class="recco">Recommandé par Agriculture et Agroalimentaire Canada, un partenaire de la Communauté des données du GC.</p>

<p class="recco">Recommandé par Agriculture et Agroalimentaire Canada, un partenaire de la Communauté des données du GC.</p>

<br>

<br>

[[Image:Shifting-the-balance.jpg|150px|Shifting the Balance]]

[[Image:Shifting-the-balance.jpg|150px|Shifting the Balance]]

<h3 style="text-decoration:none;">Shifting the Balance: How Top Organizations Beat the Competition by Combining Intuition with Data</h3>

<h3 style="text-decoration:none;">Modifier l'équilibre : Comment les meilleures organisations battent la concurrence en combinant l'intuition et les données</h3>

<p class="author">Mark Schrutt</p>

<p class="author">Mark Schrutt</p>

<p>Digital transformation expert Mark Schrutt reveals how the world's top companies are using vast amounts of data to inform their decisions, disrupt industries, and get closer to their customers. Businesses that continue to rely only on intuition do so at their peril. What if you had the data you always wanted and could tell what was truly an emerging trend that would forever change your industry? Shifting the Balance analyzes the turn towards data-driven decision-making and describes how best-in-class organizations use data to shift their field of vision so it is forward-looking instead of reactive.</p>

<p>(En anglais - titre original : <strong>Shifting the Balance: How Top Organizations Beat the Competition by Combining Intuition with Data</strong>) Mark Schrutt, expert en transformation numérique, révèle comment les plus grandes entreprises du monde utilisent de grandes quantités de données pour éclairer leurs décisions, perturber les industries et se rapprocher de leurs clients. Les entreprises qui continuent à ne se fier qu'à leur intuition le font à leurs risques et périls. Et si vous disposiez des données dont vous avez toujours rêvé et pouviez dire quelle est la véritable tendance émergente qui va changer à jamais votre secteur ? Modifier l'équilibre analyse le virage vers la prise de décision basée sur les données et décrit comment les organisations les plus performantes utilisent les données pour modifier leur champ de vision afin qu'il soit tourné vers l'avenir plutôt que réactif.</p>

<p class="recco">Recommandé par Agriculture et Agroalimentaire Canada, un partenaire de la Communauté des données du GC.</p>

<p class="recco">Recommandé par Agriculture et Agroalimentaire Canada, un partenaire de la Communauté des données du GC.</p>

<br>

<br>

[[Image:Data-mining-with-R.jpg|150px|Data Mining with R: Learning with Case Studies]]

[[Image:Data-mining-with-R.jpg|150px|Data Mining with R: Learning with Case Studies]]

<h3 style="text-decoration:none;">Data Mining with R: Learning with Case Studies, Second Edition</h3>

<h3 style="text-decoration:none;">Data Mining avec R : Apprendre avec des études de cas, deuxième édition</h3>

<p class="author">Luis Torgo</p>

<p class="author">Luis Torgo</p>

<p>Data Mining with R: Learning with Case Studies, Second Edition uses practical examples to illustrate the power of R and data mining. Providing an extensive update to the best-selling first edition, this new edition is divided into two parts. The first part will feature introductory material, including a new chapter that provides an introduction to data mining, to complement the already existing introduction to R. The second part includes case studies, and the new edition strongly revises the R code of the case studies making it more up-to-date with recent packages that have emerged in R. The book does not assume any prior knowledge about R. Readers who are new to R and data mining should be able to follow the case studies, and they are designed to be self-contained so the reader can start anywhere in the document. The book is accompanied by a set of freely available R source files that can be obtained at the book’s web site. These files include all the code used in the case studies, and they facilitate the "do-it-yourself" approach followed in the book. Designed for users of data analysis tools, as well as researchers and developers, the book should be useful for anyone interested in entering the "world" of R and data mining.</p>

<p>(En anglais - titre original : <strong>Data Mining with R: Learning with Case Studies, Second Edition</strong>) Data Mining avec R utilise des exemples pratiques pour illustrer la puissance de R et du data mining. Cette nouvelle édition, qui constitue une mise à jour complète de la première édition best-seller, est divisée en deux parties. La première partie comprend des éléments d'introduction, dont un nouveau chapitre d'introduction à l'exploration de données, qui vient compléter l'introduction à R déjà existante. La deuxième partie comprend des études de cas, et la nouvelle édition révise fortement le code R des études de cas afin de le mettre à jour avec les paquets récents qui sont apparus dans R. Le livre ne suppose aucune connaissance préalable de R. Les lecteurs qui ne connaissent pas R et l'exploration de données devraient être en mesure de suivre les études de cas, et celles-ci sont conçues pour être autonomes afin que le lecteur puisse commencer n'importe où dans le document. Le livre est accompagné d'un ensemble de fichiers sources R librement disponibles, qui peuvent être obtenus sur le site Web du livre. Ces fichiers comprennent tout le code utilisé dans les études de cas et facilitent l'approche &laquo; do-it-yourself &raquo; suivie dans le livre. Conçu pour les utilisateurs d'outils d'analyse de données, ainsi que pour les chercheurs et les développeurs, ce livre devrait être utile à toute personne souhaitant entrer dans le &laquo; monde &raquo; de R et de l'exploration de données.</p>

<p class="recco">Recommandé par Agriculture et Agroalimentaire Canada, un partenaire de la Communauté des données du GC.</p>

<p class="recco">Recommandé par Agriculture et Agroalimentaire Canada, un partenaire de la Communauté des données du GC.</p>

<br>

<br>

[[Image:R-for-political-data-science.jpg|150px|R for Political Data Science: A Practical Guide]]

[[Image:R-for-political-data-science.jpg|150px|R for Political Data Science: A Practical Guide]]

<h3 style="text-decoration:none;">R for Political Data Science: A Practical Guide</h3>

<h3 style="text-decoration:none;">R pour la science des données politiques : Un guide pratique</h3>

<p class="author">Francisco Urdinez et Andrés Cruz (éditeurs)</p>

<p class="author">Francisco Urdinez et Andrés Cruz (éditeurs)</p>

<p>R for Political Data Science: A Practical Guide is a handbook for political scientists new to R who want to learn the most useful and common ways to interpret and analyze political data. It was written by political scientists, thinking about the many real-world problems faced in their work. The book has 16 chapters and is organized in three sections. The first, on the use of R, is for those users who are learning R or are migrating from another software. The second section, on econometric models, covers OLS, binary and survival models, panel data, and causal inference. The third section is a data science toolbox of some the most useful tools in the discipline: data imputation, fuzzy merge of large datasets, web mining, quantitative text analysis, network analysis, mapping, spatial cluster analysis, and principal component analysis. As the title suggests, this book is highly applied in nature, and is designed as a toolbox for the reader. It can be used in methods and data science courses, at both the undergraduate and graduate levels. It will be equally useful for a university student pursuing a PhD, political consultants, or a public official, all of whom need to transform their datasets into substantive and easily interpretable conclusions.</p>

<p>(En anglais - titre original : <strong>R for Political Data Science: A Practical Guide</strong>) R pour la science des données politiques : Un guide pratique est un manuel destiné aux politologues novices en R qui souhaitent apprendre les méthodes les plus utiles et les plus courantes pour interpréter et analyser les données politiques. Il a été écrit par des politologues, en pensant aux nombreux problèmes du monde réel rencontrés dans leur travail. Le livre comporte 16 chapitres et est organisé en trois sections. La première, sur l'utilisation de R, s'adresse aux utilisateurs qui apprennent R ou qui migrent d'un autre logiciel. La deuxième section, consacrée aux modèles économétriques, couvre les MCO, les modèles binaires et de survie, les données de panel et l'inférence causale. La troisième section est une boîte à outils de science des données contenant certains des outils les plus utiles de la discipline : imputation de données, fusion floue de grands ensembles de données, exploration du Web, analyse quantitative de texte, analyse de réseau, cartographie, analyse spatiale en grappes et analyse en composantes principales. Comme le suggère le titre, ce livre est très appliqué par nature et est conçu comme une boîte à outils pour le lecteur. Il peut être utilisé dans le cadre de cours de méthodologie et de science des données, tant au niveau du premier cycle que du deuxième cycle. Il sera également utile à un étudiant universitaire poursuivant un doctorat, à des consultants politiques ou à un fonctionnaire, qui ont tous besoin de transformer leurs ensembles de données en conclusions substantielles et facilement interprétables.</p>

<p class="recco">Recommandé par Agriculture et Agroalimentaire Canada, un partenaire de la Communauté des données du GC.</p>

<p class="recco">Recommandé par Agriculture et Agroalimentaire Canada, un partenaire de la Communauté des données du GC.</p>

<br>

<br>

[[Image:The-social-dynamics-of-open-data.jpg|150px|The Social Dynamics of Open Data]]

[[Image:The-social-dynamics-of-open-data.jpg|150px|The Social Dynamics of Open Data]]

<h3 style="text-decoration:none;">The Social Dynamics of Open Data</h3>

<h3 style="text-decoration:none;">La dynamique sociale des données ouvertes</h3>

<p class="author">François van Schalkwyk, Stefaan G Verhulst et Gustavo Magalhaes</p>

<p class="author">François van Schalkwyk, Stefaan G Verhulst et Gustavo Magalhaes</p>

<p>The Social Dynamics of Open Data is a collection of peer reviewed papers presented at the 2nd Open Data Research Symposium (ODRS) held in Madrid, Spain, on 5 October 2016. Research is critical to developing a more rigorous and fine-combed analysis not only of why open data is valuable, but how it is valuable and under what specific conditions. The objective of the Open Data Research Symposium and the subsequent collection of chapters published here is to build such a stronger evidence base. This base is essential to understanding what open data's impacts have been to date, and how positive impacts can be enabled and amplified. Consequently, common to the majority of chapters in this collection is the attempt by the authors to draw on existing scientific theories, and to apply them to open data to better explain the socially embedded dynamics that account for open data's successes and failures in contributing to a more equitable and just society. </p>

<p>(En anglais - titre original : <strong>The Social Dynamics of Open Data</strong>) La dynamique sociale des données ouvertes est un recueil d'articles évalués par les pairs présentés lors du 2e symposium de recherche sur les données ouvertes (ODRS) qui s'est tenu à Madrid, en Espagne, le 5 octobre 2016. La recherche est essentielle pour développer une analyse plus rigoureuse et plus fine non seulement des raisons pour lesquelles les données ouvertes sont précieuses, mais aussi de la manière dont elles le sont et dans quelles conditions spécifiques. L'objectif du Symposium de recherche sur les données ouvertes et du recueil de chapitres qui en découle et qui est publié ici est de construire une telle base de preuves plus solide. Cette base est essentielle pour comprendre quels ont été les impacts des données ouvertes à ce jour, et comment les impacts positifs peuvent être activés et amplifiés. Par conséquent, le point commun à la majorité des chapitres de cette collection est la tentative des auteurs de s'appuyer sur les théories scientifiques existantes et de les appliquer aux données ouvertes afin de mieux expliquer la dynamique socialement intégrée qui explique les succès et les échecs des données ouvertes dans la contribution à une société plus équitable et plus juste.</p>

<p class="recco">Recommandé par Agriculture et Agroalimentaire Canada, un partenaire de la Communauté des données du GC.</p>

<p class="recco">Recommandé par Agriculture et Agroalimentaire Canada, un partenaire de la Communauté des données du GC.</p>

<br>

<br>

<!-- *** ARTICLES + POSTS *** -->

<!-- *** ARTICLES + POSTS *** -->

<h2>Articles and posts</h2>

<h2>Articles</h2>

<h3 style="text-decoration:none;">[https://derekalton.medium.com/building-a-framework-to-grow-ecosystems-a-rough-rough-draft-7b93ad73ed08 Building a framework to grow ecosystems… a rough rough draft]</h3>

<h3 style="text-decoration:none;">[https://derekalton.medium.com/building-a-framework-to-grow-ecosystems-a-rough-rough-draft-7b93ad73ed08 Construire un cadre pour faire croître les écosystèmes... une ébauche sommaire]</h3>

<p class="author">Derek Alton</p>

<p class="author">Derek Alton</p>

<p>Any ecosystem starts with a base foundation. These are the rivers and streams, the mountains and earth, the sun, rain and general climate. It is from this base foundation that an ecosystem grows. This foundation needs to have some level of sustainability for life to take hold. Likewise a social ecosystem requires a base infrastructure that is stable and secure to develop on. This could be physical infrastructure like roads and buildings with electricity and hydro but since we live now in a digital age, this is increasingly digital infrastructure: things like broadband connection and the world wide web (and all the protocols that underpin it). It is important to understand what infrastructure is required for your ecosystem to thrive and make sure it is sustainably available.</p>

<p>(En anglais - titre original : <strong>Building a framework to grow ecosystems… a rough rough draft</strong>) Tout écosystème commence par un socle de base. Ce sont les rivières et les ruisseaux, les montagnes et la terre, le soleil, la pluie et le climat général. C'est à partir de cette base qu'un écosystème se développe. Cette base doit présenter un certain niveau de durabilité pour que la vie s'installe. De même, un écosystème social a besoin d'une infrastructure de base stable et sûre pour se développer. Il peut s'agir d'une infrastructure physique telle que des routes et des bâtiments alimentés en électricité et en énergie hydraulique, mais comme nous vivons à l'ère du numérique, il s'agit de plus en plus d'une infrastructure numérique : des éléments tels que la connexion à large bande et le World Wide Web (et tous les protocoles qui le sous-tendent). Il est important de comprendre quelles sont les infrastructures nécessaires à la prospérité de votre écosystème et de veiller à ce qu'elles soient durablement disponibles.</p>

<p class="recco">Recommandé par le Bureau du DPI du Canada, Secrétariat du Conseil du Trésor du Canada, un partenaire de la Communauté des données du GC.</p>

<p class="recco">Recommandé par le Bureau du DPI du Canada, Secrétariat du Conseil du Trésor du Canada, un partenaire de la Communauté des données du GC.</p>

<h3 style="text-decoration:none;">[https://medium.com/opendatacharter/spotlight-a-plea-from-the-odcs-iwg-data-standardisation-matters-4d26329a18bb A plea from the ODC’s IWG: Data standardisation matters]</h3>

<h3 style="text-decoration:none;">[https://medium.com/opendatacharter/spotlight-a-plea-from-the-odcs-iwg-data-standardisation-matters-4d26329a18bb Un plaidoyer du Groupe de travail sur la mise en œuvre de la Charte des données ouvertes : la normalisation des données est importante]</h3>

<p class="author">Darine Benkalha</p>

<p class="author">Darine Benkalha</p>

<p>A re-cap of ODC’s Implementation Working Group meeting held last September 2021.</p>

<p>(En anglais - titre original : <strong>A plea from the ODC’s IWG: Data standardisation matters</strong>) Un récapitulatif de la réunion du groupe de travail sur la mise en œuvre de la Charte des données ouvertes qui s'est tenue en septembre 2021.</p>

<p class="recco">Recommandé par le Bureau du DPI du Canada, Secrétariat du Conseil du Trésor du Canada, un partenaire de la Communauté des données du GC.</p>

<p class="recco">Recommandé par le Bureau du DPI du Canada, Secrétariat du Conseil du Trésor du Canada, un partenaire de la Communauté des données du GC.</p>