:orphan:

|rss_image|  **module - 1/1** :ref:`Blog <ap-main-0>` :ref:`article (8) <ap-cat-article-0>` :ref:`articles (3) <ap-cat-articles-0>` :ref:`cours (6) <ap-cat-cours-0>` :ref:`module (7) <ap-cat-module-0>` :ref:`paper (3) <ap-cat-paper-0>`

.. |rss_image| image:: feed-icon-16x16.png
    :target: ../_downloads/rss.xml
    :alt: RSS

----


.. index:: module


.. _ap-cat-module-0:

module - 1/1
++++++++++++

.. blogpostagg::
    :title: Mathador
    :date: 2022-12-08
    :keywords: mathématiques,programmmation
    :categories: module
    :rawfile: 2022/2022-12-08_mathador.rst

    Un petit problème de chiffre, le
    `mathador <https://maitressedelaforet.fr/le-mathador-rituel-de-calcul-mental/>`_
    consiste à trouver un montant à partir de 5 nombres et 4 opérations.
    

    ...




.. blogpostagg::
    :title: Utilisation de cartopy sous Windows (sous WSL)
    :date: 2022-12-07
    :keywords: cartopy,WSL,Ubuntu
    :categories: module
    :rawfile: 2022/2022-12-07_cartopy.rst

    Installer `cartopy
    <https://scitools.org.uk/cartopy/docs/latest/>`_
    est une vraie gageure. J'ai utilisé la version disponible sur
    `Archived: Unofficial Windows Binaries for Python Extension Packages
    <https://www.lfd.uci.edu/~gohlke/pythonlibs/#cartopy>`_
    mais le site n'est plus maintenu et je veux bien comprendre
    que c'est un travail ingrat qui requiert une attention
    permenante (voir
    `What to do when Gohlke's python wheel service shuts down?
    <https://stackoverflow.com/questions/72581592/what-to-do-when-gohlkes-python-wheel-service-shuts-down>`_).
    La seule option viable sous Windows est d'utiliser la distribution
    Anaconda sous Windows.
    L'autre option est d'installer une distribution Ubuntu
    sous `Windows Subsystem for Linux?
    <https://learn.microsoft.com/en-us/windows/wsl/about>`_ ou *WSL*
    en abrégé. Ca marche très bien. Il suffit de démarrer le serveur
    de notebook sous WSL avec une instruction comme celle-ci
    `jupyter-notebook --NotebookApp.token= --NotebookApp.password=`
    puis d'y accéder via son navigateur. Pour coder, il suffit
    d'utiliser `Visual Studio Code <https://code.visualstudio.com/>_`
    avec l'extension `Remote Development
    <https://code.visualstudio.com/docs/remote/remote-overview>`_.
    La version python 3.10.6 est installée par défaut sur le noyau
    `Ubuntu 22.04.1
    <https://apps.microsoft.com/store/detail/ubuntu-22041-lts/9PN20MSR04DW>_`.




.. blogpostagg::
    :title: Quelques modules intéressants
    :date: 2021-04-23
    :keywords: ascii,remote,putty
    :categories: module
    :rawfile: 2021/2021-04-23_module.rst

    Le module permet de tracer des graphes comme :epkg:`matplotlib`
    `bashplotlib <https://github.com/glamp/bashplotlib>`_
    mais en mode ascii, très pratique pour ceux qui travaillent
    en ligne de commande.
    Sinon, il y a toujours l'extension de Visual Studio
    `VS Code Remote Development
    <https://code.visualstudio.com/docs/remote/remote-overview>`_
    qui permet de coder en local avec une machine distante comme machine
    de calcul.
    

    ...




.. blogpostagg::
    :title: Packages glanés au fil des lectures
    :date: 2020-10-05
    :keywords: packages
    :categories: module
    :rawfile: 2020/2020-10-05_package.rst

    * `DESlib <https://github.com/scikit-learn-contrib/DESlib>`_ :
      assembler différents modèles de machine learning
    * `pyts <https://github.com/johannfaouzi/pyts>`_ :
      classification de séries temporelles
    * `tslearn <https://github.com/tslearn-team/tslearn>`_ :
      dynamic time warping, classification, clustering,
      plus proches voisins, étude de sous-séquences
    * `GraKeL <https://github.com/ysig/GraKeL>`_ :
      algorithmes sur les graphes, plus court chemin,
      marches aléatoires, méthodes à noyaux
    * `scikit-network <https://scikit-network.readthedocs.io/en/latest/index.html>`_ :
      de nombreux algorithmes comme PageRank, Louvain, ...
    * `pyDML <https://github.com/jlsuarezdiaz/pyDML>`_ :
      apprentissage de distances métriques
    * `metric-learn <http://contrib.scikit-learn.org/metric-learn/index.html>`_ :
      apprentissage de distances métriques
    
    Deux articles intéressants pour optimiser les calculs :
    

    ...




.. blogpostagg::
    :title: Parallélisation avec pathos
    :date: 2020-05-04
    :keywords: pathos,livre,tutoriel
    :categories: module
    :rawfile: 2020/2020-05-04_reading.rst

    * `pathos <https://pypi.org/project/pathos/>`_
    * `interlap <http://brentp.github.io/interlap/>`_
    * `BayesianOptimization <https://github.com/fmfn/BayesianOptimization>`_,
      optimisation bayésienne en pure python
    
    Le livre suivant a l'air pas mal du tout :
    `Mastering Large Datasets with Python
    <https://www.manning.com/books/mastering-large-datasets-with-python>`_.
    

    ...




.. blogpostagg::
    :title: Ludwig, machine learning et réchauffement climatique
    :date: 2019-02-20
    :keywords: ludwig,Uber
    :categories: module
    :rawfile: 2019/2019-02-20_ludwig.rst

    Uber a sorti son module de machine learning
    `ludwig <https://github.com/uber/ludwig>`_
    (`documentation <https://uber.github.io/ludwig/>`_)
    qui automatise plein de choses pour une catégorie
    de problèmes de machine learning classique et deep.
    Certains apprentissages peuvent être parallélisés
    avec `mpi4py <https://rabernat.github.io/research_computing/parallel-programming-with-mpi-for-python.html>`_.
    J'ai fini sur le site de son auteur
    `Ryan Abernathey <https://rabernat.github.io/>`_
    qui étudie la circulation de l'eau autour du globe,
    ce qui m'a amené à `Pangeo <http://pangeo.io/>`_
    *A community platform for Big Data geoscience*
    et des jeux de données sur la Terre
    `Pangeo Data Catalog <http://pangeo.io/catalog.html>`_
    ou encore le module `xgcm <https://github.com/xgcm/xgcm>`_
    qui pourrait être utile pour faire des simulations sur le
    réchauffement climatique.




.. blogpostagg::
    :title: Découvrir de nouveaux modules
    :date: 2016-10-01
    :keywords: distribution,package
    :categories: module
    :rawfile: 2016/2016-10-01_new_modules.rst

    La planète Python évolue très vite et il est quasiment impossible
    d'essayer tous les modules qu'on découvre voire même de les découvrir tout court.
    Une source assez fiable consiste à regarder la liste des packages présents
    dans les distributions `WinPython <https://winpython.github.io/>`_ ou
    `Anaconda <https://docs.continuum.io/anaconda/pkg-docs>`_. De plus,
    lorsqu'un module est ajouté, cela signifie qu'il est assez abouti
    pour être distribué.





----

|rss_image|  **module - 1/1** :ref:`2022-10 (1) <ap-month-2022-10-0>` :ref:`2022-12 (2) <ap-month-2022-12-0>` :ref:`2023-01 (1) <ap-month-2023-01-0>` :ref:`2023-02 (1) <ap-month-2023-02-0>` :ref:`2023-04 (1) <ap-month-2023-04-0>`