:orphan:

|rss_image| :ref:`<== <ap-main-9>`  **page de blog - 11/16** :ref:`==> <ap-main-11>` :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

----


.. _ap-main-10:

page de blog - 11/16
++++++++++++++++++++

.. blogpostagg::
    :title: Installer theano et un compilateur C++
    :date: 2017-08-20
    :keywords: python,theano,keras
    :categories: modules
    :rawfile: 2017/2017-08-20_theano_keras_tf.rst

    epkg:`theano` est un module difficile à installer
    car il utilise une compilation C++ pour optimiser les
    calculer que le programmeur demmande. Cela veut dire qu'il
    fait appel à un compilateur C++ pour convertir des instructions
    :epkg:`Python` en un code qui s'exécute rapidement.
    Les portables ont peu souvent des processeurs GPU mais rien n'empêche
    de développer un programme de deep learning en CPU d'abord.
    C'est plus facile sous Linux (ou sous
    `Windows Subsystem for Linux <https://blogs.windows.com/buildingapps/2017/08/08/windows-subsystem-linux-windows-server/>`_.
    Il suffit d'installer `g++ <https://en.wikipedia.org/wiki/GNU_Compiler_Collection>`_ :
    

    ...




.. blogpostagg::
    :title: PyData Seattle - des idées à prendre
    :date: 2017-08-03
    :keywords: python,pydata,modules,catboost,fasttext,pomegranate,Scattertext,PyData,z3
    :categories: conférences
    :rawfile: 2017/2017-08-03_pydata.rst

    Les vidéos de la conférence
    sont en ligne et il y a toujours de bonnes
    idées à prendre :
    `PyData Seattle 2017 <https://www.youtube.com/playlist?list=PLGVZCDnMOq0rxoq9Nx0B4tqtr891vaCn7>`_.
    Quelques modules à suivre :
    `Scattertext <https://github.com/JasonKessler/scattertext>`_,
    `pomegranate <https://github.com/jmschrei/pomegranate>`_.
    Un dernier module qui montre que toutes les grandes boîtes
    ont leur outil de machine learning.
    `catboost <https://github.com/catboost/catboost>`_
    est optimisé pour la construction de forêt d'arbres sur
    des variables catégorielles
    tout comme Facebook avait sorti le sien
    sur le texte
    `fasttext <https://fasttext.cc/>`_.
    Enfin, un champ que je connais moins,
    `z3 <https://github.com/Z3Prover/z3>`_, un outil
    de preuve systématique, qui pourrait servir un jour à traiter
    des données.




.. blogpostagg::
    :title: Cheat Sheets
    :date: 2017-06-24
    :keywords: python,machine learning,cheat sheet
    :categories: cheat sheet
    :rawfile: 2017/2017-06-24_cheatsheets.rst

    Quand quelqu'un s'amuse à regrouper plusieurs
    *cheat sheets* au même endroit, il faut absolument
    garder le lien quelque part,
    `Essential Cheat Sheets for Machine Learning and Deep Learning Engineers <https://startupsventurecapital.com/essential-cheat-sheets-for-machine-learning-and-deep-learning-researchers-efb6a8ebd2e5>`_,
    et son répertoire `GitHub <https://github.com/kailashahirwar/cheatsheets-ai>`_.
    C'est une façon très simple d'attirer pas mal de monde au même endroit
    car cela nous évite pas mal d'aller retour vers un moteur de recherche.




.. blogpostagg::
    :title: Performance du langage Python
    :date: 2017-02-25
    :keywords: python,performance
    :categories: performance
    :rawfile: 2017/2017-02-25_performance.rst

    C'est un article de blog assez concis et clair qui dévoile
    une partie de ce que cache un langage interprété comme Python :
    `Cost of abstractions <http://matthewfl.com/2114/programming/cost-of-abstractions>`_.




.. blogpostagg::
    :title: Combiner des random forest
    :date: 2017-02-15
    :keywords: scikit-learn,machine learning,random forest
    :categories: machine learning
    :rawfile: 2017/2017-02-15_randomforest.rst

    C'est une astuce que m'ont fait découvrir deux étudiants dans leur
    projet associé au cours de troisième année :ref:`l-td3a`.
    Ils ont utilisé une propriété rendue possible par l'implémentation
    des `random forest <http://scikit-learn.org/stable/modules/generated/sklearn.ensemble.RandomForestClassifier.html>`_
    de `scikit-learn <http://scikit-learn.org/>`_ : il est possible de construire
    une random forest issue de l'assemblage de deux random forest.
    De là à paralléliser l'apprentissage d'une random forest,
    il n'y a qu'un pas. L'article en question :
    `Combining random forest models in scikit learn <http://stackoverflow.com/questions/28489667/combining-random-forest-models-in-scikit-learn>`_.




.. blogpostagg::
    :title: Un module pour calculer des indicateurs financiers
    :date: 2017-01-08
    :keywords: indicateurs financiers,modules,TA-LIB
    :categories: modules
    :rawfile: 2017/2017-01-08_finance.rst

    Je ne l'ai pas essayé mais il a l'air intéressant pour
    quiconque souhaite coder des algorithmes de
    trading automatiques :
    `TA-LIB <http://ta-lib.org/>`_
    et son interface
    `Python <https://github.com/mrjbq7/ta-lib>`_.
    La plupart des indicateurs financiers y sont implémentés.




.. blogpostagg::
    :title: Annoter des images
    :date: 2017-01-05
    :keywords: images,annotations,labels
    :categories: machine learning
    :rawfile: 2017/2017-01-05_image.rst

    Construire une application qui reconnaît des images implique
    qu'on sache localiser un visage et le reconnaître. Pour appendre,
    il faut disposer d'une base images *annotées* ou *labellisées*
    dans lesquelles on connaît l'information à trouver.
    Voici l'image tirée de wikipédia :
    `Détection de visage <https://fr.wikipedia.org/wiki/D%C3%A9tection_de_visage>`_.
    

    ...




.. blogpostagg::
    :title: Deviner l'encoding d'un fichier
    :date: 2016-12-20
    :keywords: encoding,pandas
    :categories: pandas
    :rawfile: 2016/2016-12-20_guess_encoding.rst

    Lire un fichier avec `pandas <http://pandas.pydata.org/>`_
    est parfois compliqué voire très frustrant parce que chaque source
    à sa propre façon de faire. Bref comment devenir
    l'`encoding <https://en.wikipedia.org/wiki/Character_encoding>`_
    d'un fichier texte.
    

    ...




.. blogpostagg::
    :title: Ecrire un test unitaire pour Flask
    :date: 2016-12-01
    :keywords: site,localhost,flask
    :categories: internet
    :rawfile: 2016/2016-12-01_flask_unittest.rst

    Utiliser `flask <http://flask.pocoo.org/>`_
    n'est pas si compliqué
    (voir :ref:`TD2Aecodebuterflaskrst`).
    Et puis une fois qu'on a terminé, on
    souhaite écrire des tests unitaires pour
    vérifier que cela ne *casse* pas.
    Cela veut dire créer un second thread
    qui va faire tourner le site web et surtout
    l'arrêter quand on n'en a plus besoin.
    La suite est à lire sur cette page
    :ref:`l-siteflask`.




.. blogpostagg::
    :title: Tranformer les variables catégorielles et contrastes
    :date: 2016-11-30
    :keywords: categorie,scikit-learn
    :categories: machine learning
    :rawfile: 2016/2016-11-30_encoding_category.rst

    Certains modèles de machine learning requiert de transformer les variables catégorielles
    en variables numériques. Il existe plusieurs façons de faire cela :
    `Patsy: Contrast Coding Systems for categorical variables <http://statsmodels.sourceforge.net/devel/contrasts.html>`_.
    Les `extensions de scikit-learn <https://github.com/scikit-learn-contrib/>`_
    incluent un module qui fait cela aussi mais façon
    `scikit-learn <http://scikit-learn.org/>`_ :
    `category_encoders <https://github.com/scikit-learn-contrib/categorical-encoding>`_
    implémente les transformations suivantes :
    

    ...





----

|rss_image| :ref:`<== <ap-main-9>`  **page de blog - 11/16** :ref:`==> <ap-main-11>` :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>`