Notebooks Coverage

Report on last executions.

91% 2019-10-13

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