Notebooks Coverage

Report on last executions.

91% 2019-10-13

_images/nbcov-2019-10-13.png

index

coverage

exe time

last execution

name

title

success

time

nb cells

nb runs

nb valid

0

100%

8.376

2019-10-13

1a/code_liste_tuple.ipynb

1A.1 - Liste, tuple, ensemble, dictionnaire, liste chaînée, coût des opérations

True

9.211548998951912

4

4

4

1

100%

2.472

2019-10-13

1a/code_multinomial.ipynb

1A.1 - Simuler une loi multinomiale

True

3.392700149677694

12

12

12

2

100%

3.001

2019-10-13

1a/coloriage_carre.ipynb

Jeux de coloriage

True

3.9579845727421343

23

23

23

3

100%

0.478

2019-10-13

1a/exercice_echelle.ipynb

1A.algo - Calculer le nombre de façons de monter une échelle.

True

1.5161881241947412

6

6

6

4

100%

1.482

2019-10-13

1a/exercice_morse.ipynb

1A.algo - Décoder du Morse sans espaces

True

3.170023103710264

16

16

16

5

100%

1.685

2019-10-13

1a/exercice_plus_grande_somme.ipynb

1A.algo - La sous-séquence de plus grande somme

True

2.613240825943649

15

15

15

6

100%

0.264

2019-10-13

1a/exercice_xn.ipynb

1A.algo - Calculer x**n le plus rapidement possible

True

1.1941053713671863

4

4

4

7

100%

0.907

2019-10-13

1a/histogramme_rapide.ipynb

1A.1 - Histogramme et dictionnaire

True

1.7258078111335635

8

8

8

8

100%

3.372

2019-10-13

1a/profiling_example.ipynb

1A.soft - Exemple de profiling

True

5.012928264215589

11

11

11

9

100%

0.628

2019-10-13

1a/recherche_dichotomique.ipynb

1A.algo - Recherche dichotomique

True

1.5979099106043577

9

9

9

10

100%

3.130

2019-10-13

1a/structures_donnees_conversion.ipynb

1A.1 - D’une structure de données à l’autre

True

4.047604348976165

29

29

29

11

100%

0.753

2019-10-13

1a/tableau_contingence.ipynb

1A.1 - Calculer un chi 2 sur un tableau de contingence

True

1.7932150419801474

8

8

8

12

100%

19.713

2019-10-13

1a/tri_nlnd.ipynb

1A.algo - Tri plus rapide que prévu

True

20.6307208603248

17

17

17

13

0%

nan

2014-2015/2015_factorisation_matrice.ipynb

3A.mr - 2015 - Factorisation de matrice avec PIG

nan

34

0

14

0%

nan

2014-2015/2015_kmeans.ipynb

3A.mr - 2015 - Kmeans avec PIG

nan

104

0

15

0%

nan

2014-2015/2015_page_rank.ipynb

3A.mr - 2015 - PageRank avec PIG

nan

51

0

16

100%

299.198

2019-10-10

2016-2017/solution_2016_credit_clement.ipynb

2016 - Une solution à la compétition de machine learning 2A

True

300.47727044299245

28

28

28

17

100%

4.369

2019-10-10

2016/td2a_eco_competition_comparer_classifieurs.ipynb

2A.ml - 2016 - Compétition - Préparation des données

True

5.303762049879879

16

16

16

18

100%

4.281

2019-10-10

2016/td2a_eco_competition_modeles_logistiques.ipynb

2A.ml - 2016 - Compétition ENSAE - Premiers modèles

True

5.297634507063776

26

26

26

19

100%

106.707

2019-10-10

2016/td2a_eco_competition_statsdesc.ipynb

2A.ml - 2016 - Compétition - Importation des données

True

107.72699379501864

22

22

22

20

100%

5.555

2019-10-13

2017-2018/dimensions_reduction.ipynb

Réduction des dimensions

True

7.321779856923968

20

20

20

21

100%

6.930

2019-10-10

2017/prepare_data_2017.ipynb

2A.ml - 2017 - Préparation des données

True

8.700641436036676

43

43

43

22

89%

2.310

2019-10-13

2018-2019/2018-09-18_rappels_python.ipynb

2018-09-18 - Rappels sur le langage python

True

3.750253929756582

28

25

25

23

100%

3.125

2019-10-13

2018-2019/2018-09-18_rappels_python_pandas_matplotlib.ipynb

2018-09-18 - Rappels sur pandas et maplotlib

True

4.061212953645736

29

29

29

24

100%

4.441

2019-10-13

2018-2019/2018-09-18_sklearn_api.ipynb

2018-09-18 - API de scikit-learn

True

5.40564027428627

21

21

21

25

100%

0.756

2019-10-13

2018-2019/2018-09-25_distance_entre_mots.ipynb

2018-09-25 - Distance entre mots

True

1.7342251013033092

11

11

11

26

100%

6.313

2019-10-13

2018-2019/2018-10-02_scraping_recuperer_images.ipynb

2018-10-02 - Scraping, récupérer une image depuis LeMonde

True

7.165762436110526

20

20

20

27

100%

40.740

2019-10-13

2018-2019/2018-10-09_ensemble_gradient_boosting.ipynb

2018-10-09 Ensemble, Gradient, Boosting…

True

41.626695388928056

18

18

18

28

100%

6.916

2019-10-13

2a/bayesian_with_python.ipynb

2A.ml - Bayesian models with Python

True

8.472041503060609

18

18

18

29

100%

143.961

2019-09-22

2a/cffi_linear_regression.ipynb

Optimisation de code avec cffi, numba, cython

True

145.060884497012

92

92

92

30

100%

1.891

2019-10-13

2a/dataframe_matrix_speed.ipynb

2A.i - Mesures de vitesse sur les dataframes

True

2.889482668135315

15

15

15

31

100%

6.465

2019-10-13

2a/git_notebook.ipynb

2A.soft - Git depuis le notebook

True

8.198728160001338

23

23

23

32

100%

0.801

2019-10-13

2a/jupyter_custom_magics.ipynb

2A.soft - Custom Magics for Jupyter

True

2.428665465209633

5

5

5

33

100%

6.043

2019-10-13

2a/ml_timeseries_base.ipynb

2A.ml - Timeseries et machine learning

True

7.656378685962409

28

28

28

34

100%

1.522

2019-10-13

2a/notebook_convert.ipynb

2A.soft - Convert a notebook into a document

True

2.4539976748637855

8

8

8

35

100%

78.106

2019-10-10

2a/seance_5_dask.ipynb

2A.i - Données non structurées, programmation fonctionnelle : dask

True

79.16350869042799

16

16

16

36

100%

38.805

2019-10-10

2a/seance_5_intro_et_json.ipynb

2A.i - Données non structurées, programmation fonctionnelle

True

39.81695947190747

20

20

20

37

100%

97.083

2019-10-10

2a/seance_5_prog_fonctionnelle.ipynb

2A.i - programmation fonctionnelle

True

98.52828300883994

44

44

44

38

100%

11.756

2019-10-13

2a/timeseries_ssa.ipynb

Single Spectrum Analysis (SSA)

True

12.677737701218575

27

27

27

39

100%

1055.516

2019-10-13

data/data_irep.ipynb

IREP: registre des émissions polluantes

True

1057.45646777004

21

21

21

40

100%

4.075

2019-10-13

data/deal_flow_espace_vert.ipynb

Deal flow espaces verts 2018 - 2019

True

5.86691209115088

14

14

14

41

100%

0.954

2019-10-13

exams/interro_rapide_20_minutes_2014_09.ipynb

1A.e - Correction de l’interrogation écrite du 26 septembre 2014

True

1.8616434237919748

12

12

12

42

100%

1.681

2019-10-13

exams/interro_rapide_20_minutes_2014_10.ipynb

1A.e - Correction de l’interrogation écrite du 10 octobre 2014

True

2.6076318700797856

17

17

17

43

82%

3.136

2019-10-13

exams/interro_rapide_20_minutes_2014_11.ipynb

1A.e - Correction de l’interrogation écrite du 14 novembre 2014

True

4.893249451182783

35

29

29

44

100%

1.282

2019-10-13

exams/interro_rapide_20_minutes_2014_12.ipynb

1A.e - Correction de l’interrogation écrite du 14 novembre 2014

True

2.213772243820131

15

15

15

45

100%

0.662

2019-10-13

exams/interro_rapide_20_minutes_2015_09.ipynb

1A.e - Correction de l’interrogation écrite du 26 septembre 2015

True

1.5556898498907685

12

12

12

46

100%

0.919

2019-10-13

exams/interro_rapide_20_minutes_2015_11.ipynb

1A.e - Correction de l’interrogation écrite du 6 novembre 2015

True

1.8133379281498492

16

16

16

47

100%

6.863

2019-10-13

exams/td_note_2013_bout_de_code_coloriage.ipynb

1A.e - TD noté, 27 novembre 2012 (éléments de code pour le coloriage)

True

7.844817181117833

6

6

6

48

100%

16.446

2019-10-13

exams/td_note_2013_coloriage_correction.ipynb

1A.e - TD noté, 27 novembre 2012 (coloriage, correction)

True

17.45697346003726

14

14

14

49

100%

3.012

2019-10-13

exams/td_note_2015.ipynb

1A.e - TD noté, 5 décembre 2014

True

3.9465132830664515

36

36

36

50

100%

0.164

2019-10-13

exams/td_note_2015_rattrapage_enonce.ipynb

1A.e - TD noté 2015 rattrapage (énoncé, écrit et oral)

True

1.151511685922742

6

6

6

51

100%

3.119

2019-10-13

exams/td_note_2016.ipynb

1A.e - TD noté, 11 décembre 2015

True

4.046439540106803

26

26

26

52

100%

2.247

2019-10-13

exams/td_note_2017.ipynb

1A.e - TD noté, 16 décembre 2016

True

3.205822307150811

23

23

23

53

100%

1.711

2019-10-13

exams/td_note_2017_2.ipynb

1A.e - TD noté, 21 février 2017

True

2.625151665881276

21

21

21

54

100%

5.079

2019-10-13

exams/td_note_2018_1.ipynb

1A.e - Enoncé 12 décembre 2017 (1)

True

6.056486936751753

25

25

25

55

100%

4.114

2019-10-13

exams/td_note_2018_2.ipynb

1A.e - Enoncé 12 décembre 2017 (2)

True

5.010644573252648

21

21

21

56

100%

20.081

2019-10-13

exams/td_note_2019_1.ipynb

1A.e - Enoncé 23 octobre 2018 (1)

True

20.998795932158828

17

17

17

57

100%

9.167

2019-10-13

exams/td_note_2019_2.ipynb

1A.e - Enoncé 23 octobre 2018 (2)

True

10.12587957503274

18

18

18

58

100%

15.008

2019-10-13

expose/BJKST.ipynb

2A.algo - Algorithmes de streaming : généralités

True

16.469359285663813

39

39

39

59

100%

4.336

2019-10-13

expose/expose_TSP.ipynb

2A.algo - Réflexions autour du voyage de commerce (TSP)

True

5.185492480173707

11

11

11

60

100%

1.257

2019-10-13

expose/expose_einstein_riddle.ipynb

2A.algo - L’énigme d’Einstein et sa résolution

True

2.7726805065758526

4

4

4

61

100%

2.343

2019-10-13

expose/expose_graphe_et_map_reduce.ipynb

3A.mr - Graphes et Map Reduce

True

3.9572340440936387

11

11

11

62

100%

0.624

2019-10-13

expose/expose_rwr_recommandation.ipynb

3A.mr - Random Walk with Restart (système de recommandations)

True

2.243780685123056

4

4

4

63

100%

2.149

2019-10-10

expose/expose_vigenere.ipynb

1A.algo - Casser le code de Vigenère

True

3.120176400989294

9

9

9

64

100%

30.245

2019-10-13

expose/hash_distribution.ipynb

2A.algo - Hash et distribution

True

31.74690700881183

14

14

14

65

100%

14.225

2019-10-13

expose/ml_features_model.ipynb

2A.ml - Features ou modèle

True

15.822285064030439

15

15

15

66

100%

7.211

2019-10-10

expose/ml_huge_datasets.ipynb

2A.i - Huge datasets, datasets hiérarchiques

True

8.876848523970693

21

21

21

67

100%

580.077

2019-10-10

expose/ml_rue_paris_parcours.ipynb

2A.algo - Parcourir les rues de Paris

True

581.2127557452768

24

24

24

68

100%

173.081

2019-10-10

expose/ml_table_mortalite.ipynb

2A.i - Table de mortalité dans plusieurs containers

True

174.4790656999685

35

35

35

69

100%

2.386

2019-10-13

sklearn_ensae_course/00_introduction_machine_learning_and_data.ipynb

2A.ML101.0: What is machine learning?

True

4.105452438816428

13

13

13

70

100%

2.508

2019-10-13

sklearn_ensae_course/01_data_manipulation.ipynb

2A.ML101.1: Introduction to data manipulation with scientific Python

True

3.3647511866874993

18

18

18

71

100%

3.480

2019-10-13

sklearn_ensae_course/02_basic_of_machine_learning_with_scikit-learn.ipynb

2A.ML101.2: Basic principles of machine learning with scikit-learn

True

4.441198291257024

15

15

15

72

100%

6.579

2019-10-13

sklearn_ensae_course/03_supervised_classification.ipynb

2A.ML101.3: Supervised Learning: Classification of Handwritten Digits

True

7.54318268969655

12

12

12

73

100%

4.507

2019-10-13

sklearn_ensae_course/04_supervised_regression.ipynb

2A.ML101.4: Supervised Learning: Regression of Housing Data

True

5.389289326965809

12

12

12

74

100%

6.216

2019-10-13

sklearn_ensae_course/05_measuring_prediction_performance.ipynb

2A.ML101.5: Measuring prediction performance

True

7.10624889517203

23

23

23

75

100%

7.531

2019-10-13

sklearn_ensae_course/06_unsupervised_dimreduction.ipynb

2A.ML101.6: Unsupervised Learning: Dimensionality Reduction and Visualization

True

8.441662967205048

18

18

18

76

100%

6.037

2019-10-13

sklearn_ensae_course/07_application_to_face_recognition.ipynb

2A.ML101.7: Example from Image Processing

True

6.960211983881891

19

19

19

77

100%

4.281

2019-10-13

sklearn_ensae_course/08_validation_and_learning_curves.ipynb

2A.ML101.8: Parameter selection, Validation & Testing

True

5.148047111928463

15

15

15

78

100%

0.454

2019-10-13

td1a/integrale_rectangle.ipynb

1A.1 - Intégrale et la méthode des rectangles

True

1.4081691368483007

6

6

6

79

100%

3.103

2019-10-13

td1a/integrale_rectangle_correction.ipynb

1A.1 - Intégrale et la méthode des rectangles - correction

True

4.6833186079747975

30

30

30

80

100%

0.207

2019-10-13

td1a/j2048.ipynb

1A.2 - 2048 - stratégie gagnante

True

1.8935972908511758

3

3

3

81

100%

0.952

2019-10-13

td1a/j2048_correction.ipynb

1A.2 - 2048 - stratégie gagnante - correction

True

1.9087654128670692

11

11

11

82

0%

nan

td1a/matrix_dictionary.ipynb

Produit matriciel avec une matrice creuse

nan

36

0

83

100%

0.305

2019-10-13

td1a/pp_exo_deviner_un_nombre.ipynb

1A.1 - Deviner un nombre aléatoire

True

1.1855351240374148

5

5

5

84

100%

0.533

2019-10-13

td1a/pp_exo_deviner_un_nombre_correction.ipynb

1A.1 - Deviner un nombre aléatoire (correction)

True

2.1035450329072773

7

7

7

85

75%

0.896

2019-10-13

td1a/td1a_cenonce_session1.ipynb

1A.0 - Premiers pas en Python

True

2.7686054608784616

16

12

12

86

100%

2.627

2019-10-13

td1a/td1a_cenonce_session2.ipynb

1A.1 - Variables, boucles, tests

True

3.5439808848313987

30

30

30

87

100%

1.527

2019-10-13

td1a/td1a_cenonce_session3.ipynb

1A.1 - Dictionnaires, fonctions, code de Vigenère

True

3.4647827660664916

26

26

26

88

100%

2.224

2019-10-13

td1a/td1a_cenonce_session4.ipynb

1A.2 - Modules, fichiers, expressions régulières

True

3.2294493173249066

20

20

20

89

100%

1.372

2019-10-13

td1a/td1a_cenonce_session5.ipynb

1A.2 - Classes, méthodes, attributs, opérateurs et carré magique

True

2.2838341840542853

17

17

17

90

100%

0.698

2019-10-13

td1a/td1a_cenonce_session6.ipynb

1A.2 - Classes, héritage

True

2.173745068721473

11

11

11

91

100%

0.978

2019-10-13

td1a/td1a_correction_session1.ipynb

1A.0 - Premiers pas en Python (correction)

True

2.008088500238955

13

13

13

92

100%

0.683

2019-10-13

td1a/td1a_correction_session2.ipynb

1A.1 - Variables, boucles, tests (correction)

True

1.8602792220190167

8

8

8

93

100%

0.748

2019-10-13

td1a/td1a_correction_session3.ipynb

1A.1 - Dictionnaires, fonctions, code de Vigenère (correction)

True

2.4652902302332222

9

9

9

94

100%

2.252

2019-10-13

td1a/td1a_correction_session4.ipynb

1A.2 - Modules, fichiers, expressions régulières (correction)

True

3.199637920130044

20

20

20

95

100%

9.769

2019-10-13

td1a/td1a_correction_session5.ipynb

1A.2 - Classes, méthodes, attributs, opérateurs et carré magique (correction)

True

11.505040248390287

12

12

12

96

100%

0.499

2019-10-13

td1a/td1a_correction_session6.ipynb

1A.2 - Classes, héritage (correction)

True

2.075372061226517

5

5

5

97

100%

0.605

2019-10-13

td1a/td1a_pyramide_bigarree.ipynb

1A.1 - Tracer une pyramide bigarrée

True

2.261549066286534

5

5

5

98

100%

1.637

2019-10-13

td1a/td1a_pyramide_bigarree_correction.ipynb

1A.1 - Tracer une pyramide bigarrée - correction

True

2.5171835366636515

11

11

11

99

100%

0.776

2019-10-13

td1a/texte_langue.ipynb

1A.2 - Deviner la langue d’un texte

True

2.233100017067045

6

6

6

100

100%

4.594

2019-10-13

td1a/texte_langue_correction.ipynb

1A.2 - Deviner la langue d’un texte (correction)

True

5.540836608037353

23

23

23

101

100%

0.244

2019-10-13

td1a_algo/BJKST_enonce.ipynb

1A.algo - BJKST - calculer le nombre d’éléments distincts

True

1.1411464740522206

4

4

4

102

100%

0.913

2019-10-13

td1a_algo/graph1exo_parcours.ipynb

1A.algo - Parcours de graphe

True

2.2895987639203668

8

8

8

103

100%

1.146

2019-10-13

td1a_algo/graph1exo_parcours_correction.ipynb

1A.algo - Parcours de graphe - correction

True

2.349009362049401

9

9

9

104

100%

0.607

2019-10-13

td1a_algo/graph4exos.ipynb

1A.algo - Des problèmes de graphes

True

1.4834537697024643

6

6

6

105

100%

0.634

2019-10-13

td1a_algo/graph_spectral_clustering.ipynb

1A.algo - Spectral Clustering

True

2.010383442044258

6

6

6

106

100%

1.182

2019-10-13

td1a_algo/graph_spectral_clustering_correction.ipynb

1A.algo - Spectral Clustering - correction

True

2.189150908961892

11

11

11

107

100%

0.271

2019-10-13

td1a_algo/td1a_cenonce_session4_5_jaccard.ipynb

1A.algo - distance de Jaccard (dictionnaires)

True

1.6301958109252155

4

4

4

108

100%

3.519

2019-10-13

td1a_algo/td1a_cenonce_session7.ipynb

1A.algo - Programmation dynamique et plus court chemin

True

4.440524077042937

17

17

17

109

100%

0.355

2019-10-13

td1a_algo/td1a_cenonce_session7_edition.ipynb

1A.algo - La distance d’édition

True

1.433944959193468

8

8

8

110

100%

0.342

2019-10-13

td1a_algo/td1a_cenonce_session8.ipynb

1A.algo - Arbre et Trie

True

2.0869525158777833

10

10

10

111

100%

0.150

2019-10-13

td1a_algo/td1a_cenonce_session8_wikiroot.ipynb

1A.algo - Parcours dans un graphe (wikipédia)

True

1.5844487389549613

4

4

4

112

100%

0.395

2019-10-13

td1a_algo/td1a_cenonce_session9.ipynb

1A.algo - Optimisation sous contrainte

True

1.2552663679234684

6

6

6

113

100%

4.252

2019-10-13

td1a_algo/td1a_correction_session4_5_jaccard.ipynb

1A.algo - distance de Jaccard (dictionnaires) - correction

True

5.138954740948975

17

17

17

114

100%

4.726

2019-10-13

td1a_algo/td1a_correction_session7.ipynb

1A.algo - Programmation dynamique et plus court chemin (correction)

True

6.225079773925245

15

15

15

115

100%

1.768

2019-10-13

td1a_algo/td1a_correction_session7_edition.ipynb

1A.algo - La distance d’édition (correction)

True

2.8299461640417576

20

20

20

116

100%

67.482

2019-10-10

td1a_algo/td1a_correction_session8.ipynb

1A.algo - Arbre et Trie (correction)

True

69.315875840839

20

20

20

117

100%

4.200

2019-10-13

td1a_algo/td1a_correction_session8_wikiroot.ipynb

1A.algo - Parcours dans un graphe (wikipédia) - correction

True

5.110530168749392

5

5

5

118

100%

1.001

2019-10-13

td1a_algo/td1a_correction_session9.ipynb

1A.algo - Optimisation sous contrainte (correction)

True

2.677547502797097

7

7

7

119

100%

0.000

2019-10-13

td1a_algo/td1a_plus_grande_somme.ipynb

1A.algo - la sous-séquence de plus grande somme

True

0.9139053258113563

1

1

1

120

100%

146.020

2019-10-13

td1a_algo/td1a_plus_grande_somme_correction.ipynb

1A.algo - la sous-séquence de plus grande somme - correction

True

147.5646385778673

10

10

10

121

87%

1.329

2019-10-13

td1a_algo/td1a_quicksort.ipynb

1A.algo - Quicksort

True

2.2220272487029433

8

7

7

122

100%

2.096

2019-10-13

td1a_algo/td1a_quicksort_correction.ipynb

1A.algo - quicksort - correction

True

3.8058382300660014

10

10

10

123

100%

0.827

2019-10-13

td1a_algo/td1a_sobel.ipynb

1A.algo - filtre de Sobel

True

1.7119477707892656

6

6

6

124

100%

5.125

2019-10-13

td1a_algo/td1a_sobel_correction.ipynb

1A.algo - filtre de Sobel - correction

True

6.809942430816591

8

8

8

125

100%

0.136

2019-10-13

td1a_dfnp/decorrelation.ipynb

1A.data - Décorrélation de variables aléatoires

True

1.9377397131174803

7

7

7

126

100%

1.145

2019-10-13

td1a_dfnp/decorrelation_correction.ipynb

1A.data - Décorrélation de variables aléatoires - correction

True

2.040059770923108

15

15

15

127

100%

4.810

2019-10-13

td1a_dfnp/td1a_cenonce_session_10.ipynb

1A.data - DataFrame et Matrice

True

6.590824651997536

51

51

51

128

100%

12.048

2019-10-10

td1a_dfnp/td1a_cenonce_session_12_carte.ipynb

1A.data - Visualisation des données - cartes

True

13.649511743336916

22

22

22

129

100%

9.812

2019-10-10

td1a_dfnp/td1a_cenonce_session_12_js.ipynb

1A.data - Visualisation des données - graphes interactifs

True

10.946554054971784

9

9

9

130

87%

17.711

2019-10-10

td1a_dfnp/td1a_cenonce_session_12_plot.ipynb

1A.data - Visualisation des données

True

18.68829732015729

16

14

14

131

100%

8.723

2019-10-10

td1a_dfnp/td1a_correction_session_10.ipynb

1A.data - DataFrame et Matrice (correction)

True

9.907611138187349

18

18

18

132

100%

35.739

2019-10-10

td1a_dfnp/td1a_correction_session_12.ipynb

1A.data - visualisation des données - correction

True

37.340096845757216

14

14

14

133

100%

1.777

2019-10-13

td1a_soft/td1a_cython_edit.ipynb

1A.soft - Calcul numérique et Cython

True

2.7546681705862284

15

15

15

134

100%

1.754

2019-10-13

td1a_soft/td1a_cython_edit_correction.ipynb

1A.soft - Calcul numérique et Cython - correction

True

3.427762409672141

8

8

8

135

100%

60.302

2019-10-13

td1a_soft/td1a_sql.ipynb

1A.soft - Notions de SQL

True

61.23278154898435

34

34

34

136

100%

52.019

2019-10-13

td1a_soft/td1a_sql_correction.ipynb

1A.soft - Notions de SQL - correction

True

53.576129583176225

15

15

15

137

100%

3.573

2019-10-13

td1a_soft/td1a_unit_test_ci.ipynb

1A.soft - Tests unitaires, setup et ingéniérie logicielle

True

4.554950279183686

14

14

14

138

100%

1.177

2019-10-13

td2a/ml_crypted_data.ipynb

2A.ml - Machine Learning et données cryptées

True

2.153894995804876

9

9

9

139

100%

7.793

2019-10-13

td2a/ml_crypted_data_correction.ipynb

2A.ml - Machine Learning et données cryptées - correction

True

9.454570213332772

38

38

38

140

100%

1.245

2019-10-13

td2a/pandas_iterator.ipynb

2A.data - Pandas et itérateurs

True

2.1816423358395696

8

8

8

141

100%

2.427

2019-10-13

td2a/pandas_iterator_correction.ipynb

2A.data - Pandas et itérateurs - correction

True

3.8071764018386602

19

19

19

142

100%

0.121

2019-10-13

td2a/td2a_bigdata_memory.ipynb

2A.i - Stratégies et grandes matrices en mémoire

True

2.5931080421432853

8

8

8

143

96%

21.856

2019-10-10

td2a/td2a_cenonce_session_1.ipynb

2A.data - DataFrame et Graphes

True

23.01404311088845

75

72

72

144

100%

5.978

2019-10-13

td2a/td2a_cenonce_session_2A.ipynb

2A.data - Calcul Matriciel, Optimisation

True

6.92797505389899

71

71

71

145

100%

0.387

2019-10-13

td2a/td2a_cenonce_session_2C.ipynb

2A.soft - Jupyter et commandes magiques

True

1.3497895519249141

5

5

5

146

0%

nan

td2a/td2a_cenonce_session_2D_jupyter.ipynb

2A.i - Jupyter et calcul distribué

nan

72

0

147

0%

nan

td2a/td2a_cenonce_session_2D_parallelisation_local.ipynb

2A.i - Parallélisation locale (énoncé)

nan

7

0

148

100%

0.693

2019-10-13

td2a/td2a_cenonce_session_2E.ipynb

2A.i - Sérialisation

True

1.7126562418416142

8

8

8

149

100%

1.654

2019-10-10

td2a/td2a_cenonce_session_5.ipynb

2A.i - Modèle relationnel, analyse d’incidents dans le transport aérien

True

3.5222860649228096

20

20

20

150

100%

7.925

2019-10-10

td2a/td2a_cenonce_session_5_donnees_non_structurees_et_programmation_fonctionnelle.ipynb

2A.i - Données non structurées et programmation fonctionnelle

True

8.826712760142982

30

30

30

151

96%

26.107

2019-10-10

td2a/td2a_correction_session_1.ipynb

2A.data - DataFrame et Graphes - correction

True

27.068488426040858

27

26

26

152

100%

2.818

2019-10-10

td2a/td2a_correction_session_2A.ipynb

2A.data - Calcul Matriciel, Optimisation - correction

True

3.8351288931444287

13

13

13

153

100%

1.051

2019-10-10

td2a/td2a_correction_session_2C.ipynb

2A.soft - IPython et commandes magiques - correction

True

1.9591183071024716

6

6

6

154

100%

20.408

2019-10-10

td2a/td2a_correction_session_2E.ipynb

2A.i - Sérialisation - correction

True

21.6900645471178

22

22

22

155

100%

0.574

2019-10-10

td2a/td2a_correction_session_5.ipynb

2A.i - Modèle relationnel, analyse d’incidents dans le transport aérien - correction

True

1.3868519780226052

3

3

3

156

100%

22.805

2019-10-10

td2a/td2a_correction_session_5_donnees_non_structurees_et_programmation_fonctionnelle_corrige.ipynb

2A.i - Données non structurées, programmation fonctionnelle - correction

True

23.744555238634348

33

33

33

157

100%

3.194

2019-10-10

td2a/td2a_ml_text_features.ipynb

2A.ml - Classification binaire avec features textuelles

True

5.194349174853414

18

18

18

158

100%

11.180

2019-10-10

td2a/td2a_ml_text_features_correction.ipynb

2A.ml - Classification binaire avec features textuelles - correction

True

12.79173143627122

23

23

23

159

100%

12.034

2019-10-13

td2a/td2a_progressbar.ipynb

2A.i - ProgressBar et fusion de random forest - énoncé

True

13.740579795092344

6

6

6

160

100%

34.725

2019-10-13

td2a/td2a_some_nlp.ipynb

2A.ml - Texte et machine learning

True

35.65851684194058

34

34

34

161

90%

42.355

2019-10-13

td2a/td2a_visualisation.ipynb

2A.data - Matplotlib

True

43.86552353203297

42

38

38

162

100%

0.089

2019-10-13

td2a_algo/gentry_integer_encryption.ipynb

Cryptage homomorphic de Craig Gentry

True

1.6299681323580444

6

6

6

163

100%

0.091

2019-10-13

td2a_algo/gentry_integer_encryption_correction.ipynb

Cryptage homomorphic de Craig Gentry - correction

True

0.9928215988911688

6

6

6

164

100%

5.503

2019-10-13

td2a_algo/knn_high_dimension.ipynb

2A.algo - Plus proches voisins en grande dimension

True

6.377642645966262

8

8

8

165

100%

28.414

2019-10-13

td2a_algo/knn_high_dimension_correction.ipynb

2A.algo - Plus proches voisins en grande dimension - correction

True

29.370929853990674

20

20

20

166

100%

0.134

2019-10-13

td2a_algo/td2a_cenonce_session_6A.ipynb

2A.algo - Puzzles algorithmiques (1)

True

1.2101814555935562

6

6

6

167

100%

0.098

2019-10-13

td2a_algo/td2a_cenonce_session_6B.ipynb

2A.algo - Puzzles algorithmiques (2)

True

0.9684944902546704

5

5

5

168

100%

0.405

2019-10-13

td2a_algo/td2a_correction_session_6A.ipynb

2A.algo - Puzzles algorithmes (1) - correction

True

1.2809729343280196

6

6

6

169

100%

0.093

2019-10-13

td2a_algo/td2a_correction_session_6B.ipynb

2A.algo - Puzzles algorithmes (2) - correction

True

1.010713481809944

6

6

6

170

100%

30.716

2019-10-10

td2a_eco/TD2A_Eco_Web_Scraping.ipynb

2A.eco - Web-Scraping

True

32.27263716515154

29

29

29

171

100%

13.224

2019-10-10

td2a_eco/TD2A_Eco_Web_Scraping_corrige.ipynb

2A.eco - Web-Scraping - correction

True

14.785609253682196

6

6

6

172

100%

1.309

2019-10-10

td2a_eco/TD2A_eco_API_SNCF.ipynb

2A.eco - Exercice API SNCF

True

2.2457661437802017

8

8

8

173

100%

56.474

2019-10-10

td2a_eco/TD2A_eco_API_SNCF_corrige.ipynb

2A.eco - Exercice API SNCF corrigé

True

57.86893821787089

35

35

35

174

100%

1.220

2019-10-13

td2a_eco/TD2A_eco_debuter_flask.ipynb

2A.eco - Débuter avec Flask

True

2.788011704571545

14

14

14

175

100%

4.346

2019-10-13

td2a_eco/TD2A_eco_les_API.ipynb

2A.eco - API, API REST

True

5.260704115964472

15

15

15

176

100%

2.642

2019-10-13

td2a_eco/td2_eco_rappels_1a.ipynb

2A.eco - Rappel de ce que vous savez déjà mais avez peut-être oublié

True

3.6919073960743845

29

29

29

177

100%

5.922

2019-10-13

td2a_eco/td2a_TD5_Traitement_automatique_des_langues_en_Python.ipynb

2A.eco - Traitement automatique de la langue en Python

True

7.377131107728928

34

34

34

178

100%

8.769

2019-10-13

td2a_eco/td2a_TD5_Traitement_automatique_des_langues_en_Python_correction.ipynb

2A.eco - Traitement automatique de la langue en Python - correction

True

9.690984487067908

35

35

35

179

100%

0.000

2019-10-13

td2a_eco/td2a_eco_exercice_de_fin_de_seance.ipynb

2A.eco - Exercice Python - Eco Séance 2

True

0.9607542166486382

1

1

1

180

100%

0.540

2019-10-13

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

1.4440954574383795

3

3

3

181

100%

1.295

2019-10-13

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

2.2054549986496568

10

10

10

182

100%

3.010

2019-10-13

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

3.8947449852712452

16

16

16

183

100%

3.331

2019-10-13

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

5.125833626836538

14

14

14

184

100%

8.939

2019-10-13

td2a_eco/td2a_eco_regressions_lineaires.ipynb

Régressions linéaires avec Statsmodels et Scikit-Learn

True

9.83505278173834

12

12

12

185

100%

2.705

2019-10-13

td2a_eco/td2a_eco_sql.ipynb

2A.eco - Python et la logique SQL

True

4.438232866115868

26

26

26

186

100%

3.510

2019-10-13

td2a_eco/td2a_eco_sql_correction.ipynb

2A.eco - Python et la logique SQL - correction

True

4.469702896196395

36

36

36

187

100%

13.183

2019-10-10

td2a_eco2/td2a_Seance_7_Analyse_de_textes.ipynb

TD7 - Analyse de texte

True

14.558403065893799

29

29

29

188

100%

8.289

2019-10-10

td2a_eco2/td2a_Seance_7_Analyse_de_textes_correction.ipynb

TD7 - Analyse de texte - correction

True

9.156241655815393

29

29

29

189

0%

nan

td2a_eco2/td2a_eco_5d_Travailler_du_texte_les_expressions_regulieres.ipynb

2A.eco - Les expressions régulières : à quoi ça sert ?

nan

26

0

190

0%

nan

td2a_eco2/td2a_eco_5d_Travailler_du_texte_les_expressions_regulieres_correction.ipynb

2A.eco - Les expressions régulières : à quoi ça sert ? (correction)

nan

27

0

191

100%

740.732

2019-10-10

td2a_eco2/td2a_eco_NLP_tf_idf_ngrams_LDA_word2vec_sur_des_extraits_litteraires.ipynb

2A.eco - Introduction au text mining

True

742.1184506271966

69

69

69

192

100%

118.396

2019-10-10

td2a_ml/ml_a_tree_overfitting.ipynb

2A.ml - Tree, hyperparamètres, overfitting

True

119.54716988094151

27

27

27

193

100%

42.974

2019-10-13

td2a_ml/ml_b_imbalanced.ipynb

2A.ml - Imbalanced dataset

True

43.85149763477966

20

20

20

194

100%

6.147

2019-10-13

td2a_ml/ml_c_machine_learning_problems.ipynb

2A.ml - Problèmes classiques de machine learning illustrés

True

7.141963865142316

41

41

41

195

100%

0.213

2019-10-13

td2a_ml/ml_cc_machine_learning_problems2.ipynb

2A.ml - Boosting, random forest, gradient - les features qu’ils aiment

True

1.2289326819591224

4

4

4

196

100%

3.217

2019-10-13

td2a_ml/ml_ccc_machine_learning_interpretabilite.ipynb

2A.ml - Interprétabilité et corrélations des variables

True

4.955927934963256

26

26

26

197

100%

0.638

2019-10-13

td2a_ml/ml_scikit_learn_simple.ipynb

Rappels sur scikit-learn et le machine learning

True

1.5323120350949466

12

12

12

198

100%

4.996

2019-10-13

td2a_ml/ml_scikit_learn_simple_correction.ipynb

Rappels sur scikit-learn et le machine learning (correction)

True

5.9608943541534245

21

21

21

199

100%

10.191

2019-10-13

td2a_ml/seasonal_timeseries.ipynb

Timeseries

True

12.006800482980907

42

42

42

200

100%

226.749

2019-10-10

td2a_ml/td2a_cenonce_session_3A.ipynb

2A.ml - Statistiques descriptives avec scikit-learn

True

228.00467633269727

21

21

21

201

100%

42.102

2019-10-10

td2a_ml/td2a_cenonce_session_3B.ipynb

2A.ml - Arbres de décision / Random Forest

True

44.198678181972355

16

16

16

202

100%

0.982

2019-10-13

td2a_ml/td2a_cenonce_session_4A.ipynb

2A.ml - Machine Learning et Marketting

True

2.617754491046071

9

9

9

203

100%

1.051

2019-10-13

td2a_ml/td2a_clustering.ipynb

2A.ml - Clustering

True

2.7514933347702026

6

6

6

204

100%

22.683

2019-10-13

td2a_ml/td2a_clustering_correction.ipynb

2A.ml - Clustering - correction

True

23.595650666859

25

25

25

205

100%

19.089

2019-10-13

td2a_ml/td2a_correction_cl_reg_anomaly.ipynb

2A.data - Classification, régression, anomalies - correction

True

20.689053694717586

33

33

33

206

100%

324.099

2019-10-10

td2a_ml/td2a_correction_session_3A.ipynb

2A.ml - Statistiques descriptives avec scikit-learn - correction

True

325.46572659816593

23

23

23

207

100%

144.010

2019-10-10

td2a_ml/td2a_correction_session_3B.ipynb

2A.ml - Arbres de décision / Random Forest - correction

True

145.41121303895488

26

26

26

208

100%

8.713

2019-10-13

td2a_ml/td2a_correction_session_4A.ipynb

2A.ml - Machine Learning et Marketting - correction

True

10.388892433140427

26

26

26

209

100%

1.597

2019-10-13

td2a_ml/td2a_enonce_cl_reg_anomaly.ipynb

2A.data - Classification, régression, anomalies - énoncé

True

2.5129697769880295

9

9

9

210

81%

3.282

2019-10-13

td2a_ml/td2a_ethics.ipynb

Machine Learning éthique

True

4.965523082762957

16

13

13

211

100%

0.140

2019-10-13

td2a_ml/td2a_ethics_correction.ipynb

Machine Learning éthique - correction

True

1.014664040878415

2

2

2

212

100%

9.909

2019-10-13

td2a_ml/td2a_pipeline_tree_selection_correction.ipynb

2A.ml - Pipeline pour un réduction d’une forêt aléatoire - correction

True

11.60170075809583

24

24

24

213

100%

1.757

2019-10-13

td2a_ml/td2a_pipeline_tree_selection_enonce.ipynb

2A.ml - Pipeline pour un réduction d’une forêt aléatoire - énoncé

True

2.69823992671445

11

11

11

214

100%

0.754

2019-10-13

td2a_ml/td2a_sentiment_analysis.ipynb

2A.ml - Analyse de sentiments

True

1.635112563148141

6

6

6

215

100%

85.272

2019-10-13

td2a_ml/td2a_sentiment_analysis_correction.ipynb

2A.ml - Analyse de sentiments - correction

True

86.18021902721375

44

44

44

216

100%

1.731

2019-10-13

td2a_ml/td2a_timeseries.ipynb

2A.ml - Séries temporelles

True

2.662582712713629

15

15

15

217

100%

4.823

2019-10-13

td2a_ml/td2a_timeseries_correction.ipynb

2A.ml - Séries temporelles - correction

True

5.681542261969298

16

16

16

218

100%

20.914

2019-10-13

td2a_ml/td2a_tree_selection_correction.ipynb

2A.ml - Réduction d’une forêt aléatoire - correction

True

21.815287475008518

19

19

19

219

100%

1.138

2019-10-13

td2a_ml/td2a_tree_selection_enonce.ipynb

2A.ml - Réduction d’une forêt aléatoire - énoncé

True

2.031363993883133

8

8

8

_images/nbcov.png