.. blogpost::
    :title: Année 2023, séance 3
    :keywords: python
    :date: 2023-03-06
    :categories: plan

    Séance découpée en trois parties.

    **Partie I : exercices**

    Retour sur les exercices en fin de session :
    :ref:`seance6fevrierrst`.

    *fonction, notion de coût*

    * fonctions : def

    .. runpython::
        :showcode:
        :toggle: out

        import cProfile

        nombres = [9, 7, 5, 4, 6, 7, 3, 1, 7, 8]

        def moyenne(ens):
            return sum(ens) / len(ens)

        def ecarttype(ens):
            var = [(n - moyenne(ens)) ** 2 for n in ens]
            return (sum(var) / len(var)) ** 0.5

        print(moyenne(nombres))
        print(ecarttype(nombres))

        with cProfile.Profile() as pr:
            for n in range(100000):
                ecarttype(nombres)

        pr.print_stats()

    * coût d'un algorithme
    * notation ``with``

    **Partie II : scikit-learn**

    Quelques rappels :

    * créer son premier modèle, type de problème résolus,
      famille de modèles, transformer, pipeline
    * Régression, classification, clustering, réduction de dimensions

    Autres modèles :

    * Modèles moins classiques : ranking, (voir
      `Ranking et search engine
      <http://www.xavierdupre.fr/app/papierstat/helpsphinx/notebooks/search_rank.html>`_),
      système de recommandations,
      `factorisation de matrices
      <https://scikit-learn.org/stable/modules/generated/sklearn.decomposition.NMF.html>`_
    * valeurs manquantes
    * Méthodes ensembliste ou à base de gradient

    **Partie III : prétraitement**

    * variables numériques, faut-il normaliser ou non ?
    * que faire des variables textuelles ?, catégories, texte libre
    * `dirty-cat <https://dirty-cat.github.io/stable/>`_
    * deep learning, embeddings, transfer learning
    * `pytorch <https://pytorch.org/>`_

    **Exercices**