Notebooks Coverage

Report on last executions.

_images/nbcov.png
index coverage exe time last execution name title success time nb cells nb runs nb valid
0 100% 11.693 2017-10-20 1a/code_liste_tuple.ipynb 1A.1 - Liste, tuple, ensemble, dictionnaire, liste chaînée, coût des opérations True 15.086429464437742 4 4 4
1 100% 3.181 2017-10-20 1a/code_multinomial.ipynb 1A.1 - Simuler une loi multinomiale True 7.108088030630597 12 12 12
2 100% 0.239 2017-10-20 1a/exercice_echelle.ipynb 1A.algo - Calculer le nombre de façons de monter une échelle. True 4.0591072381091635 6 6 6
3 100% 0.073 2017-10-20 1a/exercice_morse.ipynb 1A.algo - Décoder du Morse sans espaces True 4.092756863836485 4 4 4
4 100% 1.545 2017-10-20 1a/exercice_plus_grande_somme.ipynb 1A.algo - La sous-séquence de plus grande somme True 5.101315190506284 15 15 15
5 100% 0.141 2017-10-20 1a/exercice_xn.ipynb 1A.algo - Calculer x**n le plus rapidement possible True 15.111577083587463 4 4 4
6 100% 0.267 2017-10-20 1a/histogramme_rapide.ipynb 1A.1 - Histogramme et dictionnaire True 4.100302359765465 8 8 8
7 100% 4.536 2017-10-20 1a/profiling_example.ipynb 1A.soft - Exemple de profiling True 19.162594243062586 11 11 11
8 100% 1.172 2017-10-20 1a/recherche_dichotomique.ipynb 1A.algo - Recherche dichotomique True 5.1083091218999925 9 9 9
9 100% 1.267 2017-10-20 1a/structures_donnees_conversion.ipynb 1A.1 - D’une structure de données à l’autre True 5.112017404304652 28 28 28
10 100% 0.647 2017-10-20 1a/tableau_contingence.ipynb 1A.1 - Calculer un chi 2 sur un tableau de contingence True 4.101072688293016 8 8 8
11 100% 26.882 2017-10-20 1a/tri_nlnd.ipynb 1A.algo - Tri plus rapide que prévu True 30.147757855256486 17 17 17
12 0% nan   2014-2015/2015_factorisation_matrice.ipynb 3A.mr - 2015 - Factorisation de matrice avec PIG   nan 34 0  
13 0% nan   2014-2015/2015_kmeans.ipynb 3A.mr - 2015 - Kmeans avec PIG   nan 104 0  
14 0% nan   2014-2015/2015_page_rank.ipynb 3A.mr - 2015 - PageRank avec PIG   nan 51 0  
15 100% 44.710 2017-10-20 2016-2017/solution_2016_credit_clement.ipynb 2016 - Une solution à la compétition de machine learning 2A True 49.18372079384335 28 28 28
16 100% 7.311 2017-10-18 2016/td2a_eco_competition_comparer_classifieurs.ipynb 2A.ml - 2016 - Compétition - Préparation des données True 22.118202374380417 16 16 16
17 100% 3.593 2017-10-18 2016/td2a_eco_competition_modeles_logistiques.ipynb 2A.ml - 2016 - Compétition ENSAE - Premiers modèles True 8.136134970867033 25 25 25
18 100% 110.082 2017-10-18 2016/td2a_eco_competition_statsdesc.ipynb 2A.ml - 2016 - Compétition - Importation des données True 114.30915168909064 22 22 22
19 100% 6.100 2017-10-20 2017/prepare_data_2017.ipynb 2A.ml - 2017 - Préparation des données True 10.12863788229015 43 43 43
20 100% 4.496 2017-10-20 2a/bayesian_with_python.ipynb 2A.ml - Bayesian models with Python True 8.120879207832331 17 17 17
21 100% 114.288 2017-10-20 2a/cffi_linear_regression.ipynb Optimisation de code avec cffi, numba, cython True 118.24665360909387 75 75 75
22 100% 2.503 2017-10-20 2a/dataframe_matrix_speed.ipynb 2A.i - Mesures de vitesse sur les dataframes True 6.134507273670124 15 15 15
23 0% nan   2a/git_notebook.ipynb 2A.soft - Git depuis le notebook   nan 47 0  
24 100% 1.280 2017-10-20 2a/jupyter_custom_magics.ipynb 2A.soft - Custom Magics for Jupyter True 6.121859922157228 5 5 5
25 100% 6.882 2017-10-20 2a/ml_timeseries_base.ipynb 2A.ml - Timeseries et machine learning True 11.124479039151083 30 30 30
26 100% 2.746 2017-10-20 2a/notebook_convert.ipynb 2A.soft - Convert a notebook into a document True 6.112814263784685 8 8 8
27 78% 2.546 2017-10-18 2a/python_csharp.ipynb 2A.soft - Python et C Sharp True 7.115449206259065 14 11 11
28 100% 6.692 2017-10-18 2a/python_r.ipynb 2A.soft - R et notebooks True 11.235530158245638 17 17 17
29 100% 182.446 2017-10-18 2a/seance_5_dask.ipynb 2A.i - Données non structurées, programmation fonctionnelle : dask True 186.69927724100435 16 16 16
30 100% 43.722 2017-10-18 2a/seance_5_intro_et_json.ipynb 2A.i - Données non structurées, programmation fonctionnelle True 47.18563055695449 20 20 20
31 100% 95.560 2017-10-18 2a/seance_5_prog_fonctionnelle.ipynb 2A.i - programmation fonctionnelle True 100.23638054508541 44 44 44
32 100% 0.375 2017-10-20 exams/interro_rapide_20_minutes_2014_09.ipynb 1A.e - Correction de l’interrogation écrite du 26 septembre 2014 True 4.097780988385011 12 12 12
33 100% 1.174 2017-10-20 exams/interro_rapide_20_minutes_2014_10.ipynb 1A.e - Correction de l’interrogation écrite du 10 octobre 2014 True 5.091286955987471 17 17 17
34 82% 3.230 2017-10-20 exams/interro_rapide_20_minutes_2014_11.ipynb 1A.e - Correction de l’interrogation écrite du 14 novembre 2014 True 7.092542288941559 35 29 29
35 100% 0.434 2017-10-20 exams/interro_rapide_20_minutes_2014_12.ipynb 1A.e - Correction de l’interrogation écrite du 14 novembre 2014 True 4.104416053739669 15 15 15
36 100% 0.227 2017-10-20 exams/interro_rapide_20_minutes_2015_09.ipynb 1A.e - Correction de l’interrogation écrite du 26 septembre 2015 True 4.105279007872696 12 12 12
37 100% 0.351 2017-10-20 exams/interro_rapide_20_minutes_2015_11.ipynb 1A.e - Correction de l’interrogation écrite du 6 novembre 2015 True 4.104198686112795 16 16 16
38 100% 8.885 2017-10-20 exams/td_note_2013_bout_de_code_coloriage.ipynb 1A.e - TD noté, 27 novembre 2012 (éléments de code pour le coloriage) True 13.134739070411115 6 6 6
39 100% 28.720 2017-10-20 exams/td_note_2013_coloriage_correction.ipynb 1A.e - TD noté, 27 novembre 2012 (coloriage, correction) True 32.18094668023309 14 14 14
40 100% 1.260 2017-10-20 exams/td_note_2015.ipynb 1A.e - TD noté, 5 décembre 2014 True 5.115935141596083 36 36 36
41 100% 0.079 2017-10-20 exams/td_note_2015_rattrapage_enonce.ipynb 1A.e - TD noté 2015 rattrapage (énoncé, écrit et oral) True 4.099477572967089 6 6 6
42 100% 4.336 2017-10-20 exams/td_note_2016.ipynb 1A.e - TD noté, 11 décembre 2015 True 9.126361340399626 26 26 26
43 100% 1.647 2017-10-20 exams/td_note_2017.ipynb 1A.e - TD noté, 16 décembre 2016 True 5.095868432542147 23 23 23
44 100% 0.913 2017-10-20 exams/td_note_2017_2.ipynb 1A.e - TD noté, 21 février 2017 True 5.11219195004378 21 21 21
45 100% 20.761 2017-10-20 expose/BJKST.ipynb 2A.algo - Algorithmes de streaming : généralités True 25.11055540919574 39 39 39
46 100% 8.087 2017-10-18 expose/expose_TSP.ipynb 2A.algo - Réflexions autour du voyage de commerce (TSP) True 12.130143630197665 11 11 11
47 100% 3.575 2017-10-20 expose/expose_einstein_riddle.ipynb 2A.algo - L’énigme d’Einstein et sa résolution True 7.098295316495751 4 4 4
48 100% 1.973 2017-10-20 expose/expose_graphe_et_map_reduce.ipynb 3A.mr - Graphes et Map Reduce True 6.093669156231954 11 11 11
49 100% 0.432 2017-10-20 expose/expose_rwr_recommandation.ipynb 3A.mr - Random Walk with Restart (système de recommandations) True 4.0699528121413096 4 4 4
50 100% 414.669 2017-10-18 expose/expose_velib.ipynb 2A.ml - Déterminer la vitesse moyenne des vélib True 418.57592088004566 7 7 7
51 100% 2.509 2017-10-18 expose/expose_vigenere.ipynb 1A.algo - Casser le code de Vigenère True 6.115868581487689 9 9 9
52 100% 31.736 2017-10-20 expose/hash_distribution.ipynb 2A.algo - Hash et distribution True 36.14977327672159 14 14 14
53 100% 4.845 2017-10-20 expose/ml_features_model.ipynb 2A.ml - Features ou modèle True 9.102224690169578 16 16 16
54 0% nan   expose/ml_huge_datasets.ipynb 2A.i - Huge datasets, datasets hiérarchiques   nan 30 0  
55 100% 771.663 2017-10-18 expose/ml_rue_paris_parcours.ipynb 2A.algo - Parcourir les rues de Paris True 776.1599951406467 24 24 24
56 100% 198.098 2017-10-18 expose/ml_table_mortalite.ipynb 2A.i - Table de mortalité dans plusieurs containers True 202.7062362632505 34 34 34
57 100% 2.111 2017-10-20 sklearn_ensae_course/00_introduction_machine_learning_and_data.ipynb 2A.ML101.0: What is machine learning? True 6.090236888822346 13 13 13
58 100% 2.477 2017-10-20 sklearn_ensae_course/01_data_manipulation.ipynb 2A.ML101.1: Introduction to data manipulation with scientific Python True 7.113431457517436 18 18 18
59 100% 2.885 2017-10-20 sklearn_ensae_course/02_basic_of_machine_learning_with_scikit-learn.ipynb 2A.ML101.2: Basic principles of machine learning with scikit-learn True 7.117163943598143 15 15 15
60 100% 7.567 2017-10-20 sklearn_ensae_course/03_supervised_classification.ipynb 2A.ML101.3: Supervised Learning: Classification of Handwritten Digits True 22.139542103690474 12 12 12
61 100% 3.834 2017-10-20 sklearn_ensae_course/04_supervised_regression.ipynb 2A.ML101.4: Supervised Learning: Regression of Housing Data True 8.126221703808369 13 13 13
62 100% 7.578 2017-10-20 sklearn_ensae_course/05_measuring_prediction_performance.ipynb 2A.ML101.5: Measuring prediction performance True 12.12345969203625 23 23 23
63 100% 8.852 2017-10-20 sklearn_ensae_course/06_unsupervised_dimreduction.ipynb 2A.ML101.6: Unsupervised Learning: Dimensionality Reduction and Visualization True 12.13303643491031 18 18 18
64 100% 8.019 2017-10-20 sklearn_ensae_course/07_application_to_face_recognition.ipynb 2A.ML101.7: Example from Image Processing True 13.161353339222842 19 19 19
65 100% 4.372 2017-10-20 sklearn_ensae_course/08_validation_and_learning_curves.ipynb 2A.ML101.8: Parameter selection, Validation & Testing True 9.132603096022422 15 15 15
66 100% 1.414 2017-10-20 td1a/integrale_rectangle.ipynb 1A.1 - Intégrale et la méthode des rectangles True 6.081599900206356 6 6 6
67 100% 3.529 2017-10-20 td1a/integrale_rectangle_correction.ipynb 1A.1 - Intégrale et la méthode des rectangles - correction True 8.085797841590647 30 30 30
68 100% 1.286 2017-10-20 td1a/j2048.ipynb 1A.2 - 2048 - stratégie gagnante True 5.0570466674796535 3 3 3
69 100% 1.539 2017-10-20 td1a/j2048_correction.ipynb 1A.2 - 2048 - stratégie gagnante - correction True 6.105080258458202 11 11 11
70 100% 0.081 2017-10-20 td1a/pp_exo_deviner_un_nombre.ipynb 1A.1 - Deviner un nombre aléatoire True 4.073764891078895 5 5 5
71 100% 0.514 2017-10-20 td1a/pp_exo_deviner_un_nombre_correction.ipynb 1A.1 - Deviner un nombre aléatoire (correction) True 4.106218762130993 7 7 7
72 75% 0.590 2017-10-20 td1a/td1a_cenonce_session1.ipynb 1A.0 - Premiers pas en Python True 4.069300243805401 16 12 12
73 100% 0.852 2017-10-20 td1a/td1a_cenonce_session2.ipynb 1A.1 - Variables, boucles, tests True 5.081125135796583 30 30 30
74 100% 0.579 2017-10-20 td1a/td1a_cenonce_session3.ipynb 1A.1 - Dictionnaires, fonctions, code de Vigenère True 4.104166104241585 26 26 26
75 100% 2.105 2017-10-20 td1a/td1a_cenonce_session4.ipynb 1A.2 - Modules, fichiers, expressions régulières True 6.119314347101181 18 18 18
76 100% 0.536 2017-10-20 td1a/td1a_cenonce_session5.ipynb 1A.2 - Classes, méthodes, attributs, opérateurs et carré magique True 5.117187216363163 17 17 17
77 100% 0.346 2017-10-20 td1a/td1a_cenonce_session6.ipynb 1A.2 - Classes, héritage True 4.084669112479105 11 11 11
78 100% 0.369 2017-10-20 td1a/td1a_correction_session1.ipynb 1A.0 - Premiers pas en Python (correction) True 4.10199428979422 13 13 13
79 100% 0.372 2017-10-20 td1a/td1a_correction_session2.ipynb 1A.1 - Variables, boucles, tests (correction) True 5.113195006223123 8 8 8
80 100% 0.350 2017-10-20 td1a/td1a_correction_session3.ipynb 1A.1 - Dictionnaires, fonctions, code de Vigenère (correction) True 4.108012626871641 9 9 9
81 100% 2.489 2017-10-20 td1a/td1a_correction_session4.ipynb 1A.2 - Modules, fichiers, expressions régulières (correction) True 7.136899248475856 12 12 12
82 100% 14.687 2017-10-20 td1a/td1a_correction_session5.ipynb 1A.2 - Classes, méthodes, attributs, opérateurs et carré magique (correction) True 19.116435971502824 12 12 12
83 100% 0.227 2017-10-20 td1a/td1a_correction_session6.ipynb 1A.2 - Classes, héritage (correction) True 4.068398191426809 5 5 5
84 100% 1.385 2017-10-20 td1a/texte_langue.ipynb 1A.2 - Deviner la langue d’un texte True 5.096340404220086 6 6 6
85 100% 5.736 2017-10-20 td1a/texte_langue_correction.ipynb 1A.2 - Deviner la langue d’un texte (correction) True 9.10631930047657 23 23 23
86 100% 1.028 2017-10-20 td1a_algo/BJKST_enonce.ipynb 1A.algo - BJKST - calculer le nombre d’éléments distincts True 5.109396890944765 2 2 2
87 100% 1.739 2017-10-20 td1a_algo/graph1exo_parcours.ipynb 1A.algo - Parcours de graphe True 6.097885250372656 8 8 8
88 100% 1.866 2017-10-20 td1a_algo/graph1exo_parcours_correction.ipynb 1A.algo - Parcours de graphe - correction True 5.11461324853326 9 9 9
89 100% 1.596 2017-10-20 td1a_algo/graph4exos.ipynb 1A.algo - Des problèmes de graphes True 5.106633948261845 6 6 6
90 100% 1.789 2017-10-20 td1a_algo/graph_spectral_clustering.ipynb 1A.algo - Spectral Clustering True 5.095731588682611 6 6 6
91 100% 2.305 2017-10-20 td1a_algo/graph_spectral_clustering_correction.ipynb 1A.algo - Spectral Clustering - correction True 7.125046894621846 11 11 11
92 100% 0.050 2017-10-20 td1a_algo/td1a_cenonce_session4_5_jaccard.ipynb 1A.algo - distance de Jaccard (dictionnaires) True 5.076027003854847 4 4 4
93 100% 3.873 2017-10-20 td1a_algo/td1a_cenonce_session7.ipynb 1A.algo - Programmation dynamique et plus court chemin True 9.098665818917425 17 17 17
94 100% 0.136 2017-10-20 td1a_algo/td1a_cenonce_session7_edition.ipynb 1A.algo - La distance d’édition True 4.102865156667576 8 8 8
95 100% 1.326 2017-10-20 td1a_algo/td1a_cenonce_session8.ipynb 1A.algo - Arbre et Trie True 6.079388056603079 10 10 10
96 100% 0.054 2017-10-20 td1a_algo/td1a_cenonce_session8_wikiroot.ipynb 1A.algo - Parcours dans un graphe (wikipédia) True 4.083928107635643 4 4 4
97 100% 0.447 2017-10-20 td1a_algo/td1a_cenonce_session9.ipynb 1A.algo - Optimisation sous contrainte True 4.078140170933807 6 6 6
98 100% 6.030 2017-10-20 td1a_algo/td1a_correction_session4_5_jaccard.ipynb 1A.algo - distance de Jaccard (dictionnaires) - correction True 10.102059918992154 17 17 17
99 100% 5.752 2017-10-20 td1a_algo/td1a_correction_session7.ipynb 1A.algo - Programmation dynamique et plus court chemin (correction) True 9.098483825893709 15 15 15
100 100% 0.983 2017-10-20 td1a_algo/td1a_correction_session7_edition.ipynb 1A.algo - La distance d’édition (correction) True 5.104107922328581 20 20 20
101 100% 85.126 2017-10-18 td1a_algo/td1a_correction_session8.ipynb 1A.algo - Arbre et Trie (correction) True 89.4682322100656 20 20 20
102 100% 3.436 2017-10-20 td1a_algo/td1a_correction_session8_wikiroot.ipynb 1A.algo - Parcours dans un graphe (wikipédia) - correction True 7.094280764501036 5 5 5
103 100% 0.859 2017-10-18 td1a_algo/td1a_correction_session9.ipynb 1A.algo - Optimisation sous contrainte (correction) True 4.087792317567118 7 7 7
104 100% 0.000 2017-10-20 td1a_algo/td1a_plus_grande_somme.ipynb 1A.algo - la sous-séquence de plus grande somme True 4.080345963618129 1 1 1
105 100% 154.047 2017-10-20 td1a_algo/td1a_plus_grande_somme_correction.ipynb 1A.algo - la sous-séquence de plus grande somme - correction True 158.20516292331968 10 10 10
106 87% 0.001 2017-10-20 td1a_algo/td1a_quicksort.ipynb 1A.algo - Quicksort True 4.0949645183422945 8 7 7
107 100% 0.003 2017-10-20 td1a_algo/td1a_quicksort_correction.ipynb 1A.algo - quicksort - correction True 4.104356940915977 10 10 10
108 100% 1.519 2017-10-20 td1a_algo/td1a_sobel.ipynb 1A.algo - filtre de Sobel True 5.120138668444099 5 5 5
109 100% 0.001 2017-10-20 td1a_algo/td1a_sobel_correction.ipynb 1A.algo - filtre de Sobel - correction True 4.073504701563934 8 8 8
110 100% 0.001 2017-10-20 td1a_dfnp/decorrelation.ipynb 1A.data - Décorrélation True 5.088980159502171 7 7 7
111 100% 0.001 2017-10-20 td1a_dfnp/decorrelation_correction.ipynb 1A.data - Décorrélation - correction True 4.106377016934175 15 15 15
112 100% 3.185 2017-10-20 td1a_dfnp/td1a_cenonce_session_10.ipynb 1A.data - DataFrame et Matrice True 7.106436129757753 51 51 51
113 97% 41.378 2017-10-18 td1a_dfnp/td1a_cenonce_session_12.ipynb 1A.data - Visualisation des données True 45.245847440507816 40 39 39
114 100% 3.515 2017-10-18 td1a_dfnp/td1a_correction_session_10.ipynb 1A.data - DataFrame et Matrice (correction) True 8.088278252904209 18 18 18
115 100% 60.346 2017-10-18 td1a_dfnp/td1a_correction_session_12.ipynb 1A.data - visualisation des données - correction True 64.26158820796911 17 17 17
116 100% 2.975 2017-10-20 td1a_soft/td1a_cython_edit.ipynb 1A.soft - Calcul numérique et Cython True 7.1048652181077045 15 15 15
117 100% 2.927 2017-10-20 td1a_soft/td1a_cython_edit_correction.ipynb 1A.soft - Calcul numérique et Cython - correction True 7.184950526755767 8 8 8
118 100% 2.166 2017-10-18 td1a_soft/td1a_python_csharp.ipynb 1A.soft - Python et CSharp True 6.104616199520194 11 11 11
119 100% 58.415 2017-10-20 td1a_soft/td1a_sql.ipynb 1A.soft - Notions de SQL True 63.305701734379454 34 34 34
120 100% 12.552 2017-10-20 td1a_soft/td1a_sql_correction.ipynb 1A.soft - Notions de SQL - correction True 28.148599398445413 15 15 15
121 100% 6.252 2017-10-20 td1a_soft/td1a_unit_test_ci.ipynb 1A.soft - Tests unitaires, setup et ingéniérie logiciel True 10.127815422768379 14 14 14
122 100% 0.904 2017-10-20 td2a/ml_crypted_data.ipynb 2A.ml - Machine Learning et données cryptées True 5.088404391291505 9 9 9
123 100% 5.903 2017-10-20 td2a/ml_crypted_data_correction.ipynb 2A.ml - Machine Learning et données cryptées - correction True 10.129977462654182 38 38 38
124 100% 1.263 2017-10-20 td2a/pandas_iterator.ipynb 2A.data - Pandas et itérateurs True 5.089279912717828 8 8 8
125 100% 2.041 2017-10-20 td2a/pandas_iterator_correction.ipynb 2A.data - Pandas et itérateurs - correction True 6.132316375555405 19 19 19
126 100% 0.055 2017-10-20 td2a/td2a_bigdata_memory.ipynb 2A.i - Stratégies et grandes matrices en mémoire True 4.079461598541002 8 8 8
127 96% 25.173 2017-10-18 td2a/td2a_cenonce_session_1.ipynb 2A.data - DataFrame et Graphes True 29.26447961631584 75 72 72
128 100% 3.350 2017-10-20 td2a/td2a_cenonce_session_2A.ipynb 2A.data - Calcul Matriciel, Optimisation True 7.092932805941473 71 71 71
129 100% 0.144 2017-10-20 td2a/td2a_cenonce_session_2C.ipynb 2A.soft - Jupyter et commandes magiques True 4.082831494940024 5 5 5
130 0% nan   td2a/td2a_cenonce_session_2D_jupyter.ipynb 2A.i - Jupyter et calcul distribué   nan 72 0  
131 0% nan   td2a/td2a_cenonce_session_2D_parallelisation_local.ipynb 2A.i - Parallélisation locale (énoncé)   nan 7 0  
132 100% 1.225 2017-10-20 td2a/td2a_cenonce_session_2E.ipynb 2A.i - Sérialisation True 5.113765188970206 7 7 7
133 100% 2.670 2017-10-18 td2a/td2a_cenonce_session_5.ipynb 2A.i - Modèle relationnel, analyse d’incidents dans le transport aérien True 6.123585830423451 20 20 20
134 100% 15.850 2017-10-18 td2a/td2a_cenonce_session_5_donnees_non_structurees_et_programmation_fonctionnelle.ipynb 2A.i - Données non structurées et programmation fonctionnelle True 20.15242311376565 30 30 30
135 96% 31.596 2017-10-18 td2a/td2a_correction_session_1.ipynb 2A.data - DataFrame et Graphes - correction True 36.18320879300927 27 26 26
136 100% 3.901 2017-10-18 td2a/td2a_correction_session_2A.ipynb 2A.data - Calcul Matriciel, Optimisation - correction True 9.149865902327065 13 13 13
137 100% 2.101 2017-10-18 td2a/td2a_correction_session_2C.ipynb 2A.soft - IPython et commandes magiques - correction True 6.125266589525268 6 6 6
138 100% 16.619 2017-10-18 td2a/td2a_correction_session_2E.ipynb 2A.i - Sérialisation - correction True 21.15669785527507 8 8 8
139 100% 1.286 2017-10-18 td2a/td2a_correction_session_5.ipynb 2A.i - Modèle relationnel, analyse d’incidents dans le transport aérien - correction True 5.102759963768904 3 3 3
140 100% 59.999 2017-10-18 td2a/td2a_correction_session_5_donnees_non_structurees_et_programmation_fonctionnelle_corrige.ipynb 2A.i - Données non structurées, programmation fonctionnelle - correction True 65.2168998442587 33 33 33
141 100% 17.230 2017-10-20 td2a/td2a_ml_text_features.ipynb 2A.ml - Classification binaire avec features textuelles True 21.16274505058101 18 18 18
142 100% 9.211 2017-10-20 td2a/td2a_ml_text_features_correction.ipynb 2A.ml - Classification binaire avec features textuelles - correction True 13.190734739815156 23 23 23
143 100% 11.721 2017-10-20 td2a/td2a_progressbar.ipynb 2A.i - ProgressBar et fusion de random forest - énoncé True 16.10118812120845 6 6 6
144 100% 10.568 2017-10-20 td2a/td2a_some_nlp.ipynb 2A.ml - Texte et machine learning True 15.119648544009351 29 29 29
145 90% 45.063 2017-10-20 td2a/td2a_visualisation.ipynb 2A.data - Matplotlib True 49.19853763252695 42 38 38
146 100% 0.050 2017-10-20 td2a_algo/gentry_integer_encryption.ipynb Cryptage homomorphic de Craig Gentry True 4.076940227160776 6 6 6
147 100% 0.047 2017-10-20 td2a_algo/gentry_integer_encryption_correction.ipynb Cryptage homomorphic de Craig Gentry - correction True 4.10090419347307 6 6 6
148 100% 7.135 2017-10-20 td2a_algo/knn_high_dimension.ipynb 2A.algo - Plus proches voisins en grande dimension True 11.108429209368296 8 8 8
149 100% 31.990 2017-10-20 td2a_algo/knn_high_dimension_correction.ipynb 2A.algo - Plus proches voisins en grande dimension - correction True 36.14331182619526 20 20 20
150 100% 0.052 2017-10-20 td2a_algo/td2a_cenonce_session_6A.ipynb 2A.algo - Puzzles algorithmiques (1) True 4.104630628634823 6 6 6
151 100% 0.046 2017-10-20 td2a_algo/td2a_cenonce_session_6B.ipynb 2A.algo - Puzzles algorithmiques (2) True 4.1017178093438815 5 5 5
152 100% 0.434 2017-10-20 td2a_algo/td2a_correction_session_6A.ipynb 2A.algo - Puzzles algorithmes (1) - correction True 4.1024867415058 6 6 6
153 100% 0.044 2017-10-20 td2a_algo/td2a_correction_session_6B.ipynb 2A.algo - Puzzles algorithmes (2) - correction True 4.1083896456675575 6 6 6
154 100% 66.460 2017-10-18 td2a_eco/TD2A_Eco_Web_Scraping.ipynb 2A.eco - Web-Scraping True 72.28983575944153 26 26 26
155 100% 21.267 2017-10-18 td2a_eco/TD2A_Eco_Web_Scraping_corrige.ipynb 2A.eco - Web-Scraping - correction True 28.152637223205375 2 2 2
156 100% 1.953 2017-10-18 td2a_eco/TD2A_eco_API_SNCF.ipynb 2A.eco - Exercice API SNCF True 6.0748885001819986 8 8 8
157 100% 143.354 2017-10-18 td2a_eco/TD2A_eco_API_SNCF_corrige.ipynb 2A.eco - Exercice API SNCF corrigé True 147.3249990458167 34 34 34
158 100% 1.445 2017-10-20 td2a_eco/TD2A_eco_debuter_flask.ipynb 2A.eco - Débuter avec Flask True 6.084104049740745 14 14 14
159 100% 5.166 2017-10-20 td2a_eco/TD2A_eco_les_API.ipynb 2A.eco - API, API REST True 9.11786398837478 14 14 14
160 100% 1.753 2017-10-20 td2a_eco/td2_eco_rappels_1a.ipynb 2A.eco - Rappel de ce que vous savez déjà mais avez peut-être oublié True 5.1189121937187565 29 29 29
161 100% 13.975 2017-10-20 td2a_eco/td2a_TD5_Traitement_automatique_des_langues_en_Python.ipynb 2A.eco - Traitement automatique de la langue en Python True 17.120070711969674 28 28 28
162 100% 11.321 2017-10-20 td2a_eco/td2a_TD5_Traitement_automatique_des_langues_en_Python_correction.ipynb 2A.eco - Traitement automatique de la langue en Python - correction True 15.135451217026002 33 33 33
163 100% 0.000 2017-10-20 td2a_eco/td2a_eco_exercice_de_fin_de_seance.ipynb 2A.eco - Exercice Python - Eco Séance 2 True 15.109896789940933 1 1 1
164 100% 3.350 2017-10-20 td2a_eco/td2a_eco_exercices_de_manipulation_de_donnees.ipynb 2A.eco - Mise en pratique des séances 1 et 2 - Utilisation de pandas et visualisation True 7.08345567050236 3 3 3
165 100% 1.538 2017-10-20 td2a_eco/td2a_eco_exercices_de_manipulation_de_donnees_correction_a.ipynb 2A.eco - Mise en pratique des séances 1 et 2 - Utilisation de pandas et visualisation - correction True 6.12582373952381 10 10 10
166 100% 3.460 2017-10-20 td2a_eco/td2a_eco_exercices_de_manipulation_de_donnees_correction_b.ipynb 2A.eco - Mise en pratique des séances 1 et 2 - Utilisation de pandas et visualisation - correction True 7.127835437346448 16 16 16
167 100% 3.240 2017-10-20 td2a_eco/td2a_eco_exercices_de_manipulation_de_donnees_correction_c.ipynb 2A.eco - Mise en pratique des séances 1 et 2 - Utilisation de pandas et visualisation - correction True 7.1296116147854605 14 14 14
168 100% 5.292 2017-10-20 td2a_eco/td2a_eco_regressions_lineaires.ipynb Régressions linéaires avec Statsmodels et Scikit-Learn True 9.129673054885586 12 12 12
169 100% 1.767 2017-10-20 td2a_eco/td2a_eco_sql.ipynb 2A.eco - Python et la logique SQL True 6.101005197273935 26 26 26
170 100% 2.018 2017-10-20 td2a_eco/td2a_eco_sql_correction.ipynb 2A.eco - Python et la logique SQL - correction True 6.119161212306153 36 36 36
171 0% nan   td2a_eco2/td2A_eco_API_pocket_et_Webscraping_correction.ipynb 2A.eco - Web Scrapping et API avec Pocket - correction   nan 123 0  
172 0% nan   td2a_eco2/td2a_eco_5d_Travailler_du_texte_les_expressions_regulieres.ipynb 2A.eco - A quoi ça sert ?   nan 26 0  
173 0% nan   td2a_eco2/td2a_eco_5d_Travailler_du_texte_les_expressions_regulieres_correction.ipynb 2A.eco - A quoi ça sert ? - correction   nan 8 0  
174 0% nan   td2a_eco2/td2a_eco_API_pocket_et_Webscraping.ipynb 2A.eco - Web Scrapping et API avec Pocket   nan 94 0  
175 100% 39.820 2017-10-18 td2a_ml/ml_a_tree_overfitting.ipynb 2A.ml - Tree, overfitting True 44.149068111936344 27 27 27
176 100% 20.946 2017-10-20 td2a_ml/ml_b_imbalanced.ipynb 2A.ml - Imbalanced dataset True 26.116071520000105 17 17 17
177 100% 6.451 2017-10-20 td2a_ml/ml_c_machine_learning_problems.ipynb 2A.ml - Problèmes de machine learning True 11.181249226180626 41 41 41
178 100% 0.977 2017-10-20 td2a_ml/ml_cc_machine_learning_problems2.ipynb 2A.ml - Boosting, random forest, gradient True 5.107893470313684 4 4 4
179 100% 3.433 2017-10-20 td2a_ml/ml_ccc_machine_learning_interpretabilite.ipynb 2A.ml - Interprétabilité True 7.0769890999677045 25 25 25
180 100% 6.434 2017-10-20 td2a_ml/ml_d_libraries.ipynb 2A.ml - Librairies de machine learning True 11.131403617704805 21 21 21
181 0% nan   td2a_ml/ml_d_library_h2o.ipynb 2A.ml - Machine Learning avec H2O et Python   nan 18 0  
182 100% 1.060 2017-10-20 td2a_ml/ml_deep_learning.ipynb 2A.dl - Deep learning True 5.109423421897191 3 3 3
183 0% nan   td2a_ml/ml_deep_python.ipynb 2A.dl - Deep learning avec Python   nan 21 0  
184 100% 244.649 2017-10-18 td2a_ml/td2a_cenonce_session_3A.ipynb 2A.ml - Statistiques descriptives avec scikit-learn True 248.5060001843201 22 22 22
185 100% 47.768 2017-10-18 td2a_ml/td2a_cenonce_session_3B.ipynb 2A.ml - Arbres de décision / Random Forest True 52.46930368817448 15 15 15
186 100% 1.729 2017-10-20 td2a_ml/td2a_cenonce_session_4A.ipynb 2A.ml - Machine Learning et Marketting True 6.0653820410589105 9 9 9
187 100% 2.272 2017-10-20 td2a_ml/td2a_clustering.ipynb 2A.ml - Clustering True 6.090858271652792 7 7 7
188 100% 30.495 2017-10-20 td2a_ml/td2a_clustering_correction.ipynb 2A.ml - Clustering - correction True 35.19605815212378 25 25 25
189 100% 320.149 2017-10-18 td2a_ml/td2a_correction_session_3A.ipynb 2A.ml - Statistiques descriptives avec scikit-learn - correction True 325.70814462999556 24 24 24
190 100% 144.398 2017-10-18 td2a_ml/td2a_correction_session_3B.ipynb 2A.ml - Arbres de décision / Random Forest - correction True 148.75655849795703 25 25 25
191 100% 9.204 2017-10-20 td2a_ml/td2a_correction_session_4A.ipynb 2A.ml - Machine Learning et Marketting - correction True 13.14868876586388 26 26 26
192 100% 157.936 2017-10-18 td3a/map_reduce_timeseries.ipynb 3A.mr - Séries temporelles et map reduce True 162.28486562770837 27 27 27
193 100% 0.218 2017-10-18 td3a/td3a_cenonce_reservoir_sampling.ipynb 3A.mr - Reservoir Sampling distribué - énoncé True 4.116469484284835 7 7 7
194 92% 13.423 2017-10-18 td3a/td3a_cenonce_session6.ipynb 3A.mr - Séance 6 : Map/Reduce avec PIG - énoncé True 18.182707963102445 13 12 12
195 90% 5.111 2017-10-18 td3a/td3a_cenonce_session6b.ipynb 3A.mr - Map/Reduce avec PIG sur Azure - énoncé True 9.153595595675739 10 9 9
196 92% 3.932 2017-10-18 td3a/td3a_cenonce_session7a.ipynb 3A.mr - PIG et JSON et streaming avec les données vélib - énoncé True 8.13882437161206 13 12 12
197 66% 1.307 2017-10-18 td3a/td3a_cenonce_session7params.ipynb 3A.mr - PIG et Paramètres (Cloudera) - énoncé True 5.117290547440604 3 2 2
198 66% 1.268 2017-10-18 td3a/td3a_cenonce_session7paramsaz.ipynb 3A.mr - PIG et Paramètres (Azure) - énoncé True 5.119415350902074 3 2 2
199 100% 0.624 2017-10-18 td3a/td3a_cenonce_session8a.ipynb 3A.mr - Données antipathiques (skewed), Appariement - énoncé True 16.125599855522694 7 7 7
200 80% 1.941 2017-10-18 td3a/td3a_correction_reservoir_sampling.ipynb 3A.mr - Reservoir Sampling distribué - énoncé - correction True 6.132826514568251 5 4 4
201 75% 0.730 2017-10-18 td3a/td3a_correction_session6.ipynb 3A.mr - Map/Reduce avec PIG - correction True 4.113535254050191 4 3 3
202 66% 0.729 2017-10-18 td3a/td3a_correction_session6b.ipynb 3A.mr - Map/Reduce avec PIG sur Azure - correction True 5.121326510379163 3 2 2
203 80% 2.241 2017-10-18 td3a/td3a_correction_session7a.ipynb 3A.mr - PIG et JSON et streaming avec les données vélib (correction) True 6.13313790416646 5 4 4
204 80% 1.547 2017-10-18 td3a/td3a_correction_session7az.ipynb 3A.mr - PIG et JSON et streaming avec les données vélib (correction avec Azure) True 6.130949333328374 5 4 4
205 66% 1.319 2017-10-18 td3a/td3a_correction_session7params.ipynb 3A.mr - PIG et Paramètres (Cloudera) (correction) True 5.126712293698574 3 2 2
206 66% 0.755 2017-10-18 td3a/td3a_correction_session7paramsaz.ipynb 3A.mr - PIG et Paramètres (Azure) (correction) True 5.112171470010253 3 2 2
207 100% 3.723 2017-10-18 td3a/td3a_correction_session8a.ipynb 3A.mr - Données antipathiques (skewed), Appariement (correction) True 7.125751593951691 13 13 13
208 0% nan   td3a_spark/spark_first_steps.ipynb 3A.mrs - Premiers pas avec Spark   nan 89 0  
209 0% nan   td3a_spark/spark_matrix_3_columns.ipynb 3A.mrs - Matrice en 3 colonnes   nan 42 0  
210 0% nan   td3a_spark/spark_mllib.ipynb 3A.mrs - Spark et MLlib   nan 30 0