Notebooks Coverage

Report on last executions.

91% 2019-12-06

_images/nbcov-2019-12-06.png

index

coverage

exe time

last execution

name

title

success

time

nb cells

nb runs

nb valid

0

100%

8.549

2019-12-06

1a/code_liste_tuple.ipynb

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

True

9.348470781929791

4

4

4

1

100%

2.217

2019-12-06

1a/code_multinomial.ipynb

1A.1 - Simuler une loi multinomiale

True

3.003249926958233

12

12

12

2

100%

2.776

2019-12-06

1a/coloriage_carre.ipynb

Jeux de coloriage

True

3.5779423667117953

23

23

23

3

100%

0.502

2019-12-06

1a/exercice_echelle.ipynb

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

True

1.3363576061092317

6

6

6

4

100%

1.396

2019-12-06

1a/exercice_morse.ipynb

1A.algo - Décoder du Morse sans espaces

True

2.962771547958255

16

16

16

5

100%

1.557

2019-12-06

1a/exercice_plus_grande_somme.ipynb

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

True

2.423708127811551

15

15

15

6

100%

0.262

2019-12-06

1a/exercice_xn.ipynb

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

True

1.0781449601054192

4

4

4

7

100%

0.918

2019-12-06

1a/histogramme_rapide.ipynb

1A.1 - Histogramme et dictionnaire

True

1.7020991030149162

8

8

8

8

100%

2.874

2019-12-06

1a/profiling_example.ipynb

1A.soft - Exemple de profiling

True

4.414934291969985

11

11

11

9

100%

0.727

2019-12-06

1a/recherche_dichotomique.ipynb

1A.algo - Recherche dichotomique

True

1.5428852778859437

9

9

9

10

100%

3.002

2019-12-06

1a/structures_donnees_conversion.ipynb

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

True

3.849951925687492

29

29

29

11

100%

0.735

2019-12-06

1a/tableau_contingence.ipynb

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

True

1.564016632270068

8

8

8

12

100%

19.697

2019-12-06

1a/tri_nlnd.ipynb

1A.algo - Tri plus rapide que prévu

True

20.49257016601041

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%

568.749

2019-12-05

2016-2017/solution_2016_credit_clement.ipynb

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

True

570.4397149079014

28

28

28

17

100%

3.788

2019-12-05

2016/td2a_eco_competition_comparer_classifieurs.ipynb

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

True

4.6087957550771534

16

16

16

18

100%

4.075

2019-12-05

2016/td2a_eco_competition_modeles_logistiques.ipynb

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

True

4.913314527831972

26

26

26

19

100%

107.099

2019-12-05

2016/td2a_eco_competition_statsdesc.ipynb

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

True

108.84195452090353

22

22

22

20

100%

7.225

2019-12-06

2017-2018/dimensions_reduction.ipynb

Réduction des dimensions

True

8.802668157964945

20

20

20

21

100%

5.530

2019-12-05

2017/prepare_data_2017.ipynb

2A.ml - 2017 - Préparation des données

True

6.971866011153907

43

43

43

22

89%

2.276

2019-12-06

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

2018-09-18 - Rappels sur le langage python

True

4.230175528675318

28

25

25

23

100%

3.152

2019-12-06

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

2018-09-18 - Rappels sur pandas et maplotlib

True

4.06428780592978

29

29

29

24

100%

3.003

2019-12-06

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

2018-09-18 - API de scikit-learn

True

3.8883918547071517

21

21

21

25

100%

0.967

2019-12-06

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

2018-09-25 - Distance entre mots

True

1.8588450700044632

11

11

11

26

100%

5.119

2019-12-06

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

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

True

5.961218298878521

20

20

20

27

100%

78.104

2019-12-06

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

2018-10-09 Ensemble, Gradient, Boosting…

True

78.9423317341134

18

18

18

28

100%

6.609

2019-12-06

2a/bayesian_with_python.ipynb

2A.ml - Bayesian models with Python

True

7.7267589792609215

18

18

18

29

100%

149.928

2019-12-05

2a/cffi_linear_regression.ipynb

Optimisation de code avec cffi, numba, cython

True

151.4031583191827

92

92

92

30

100%

1.761

2019-12-06

2a/dataframe_matrix_speed.ipynb

2A.i - Mesures de vitesse sur les dataframes

True

2.7329524029046297

15

15

15

31

100%

6.700

2019-12-06

2a/git_notebook.ipynb

2A.soft - Git depuis le notebook

True

8.691185708157718

23

23

23

32

100%

0.643

2019-12-06

2a/jupyter_custom_magics.ipynb

2A.soft - Custom Magics for Jupyter

True

2.333729788195342

5

5

5

33

100%

8.189

2019-12-06

2a/ml_timeseries_base.ipynb

2A.ml - Timeseries et machine learning

True

9.165270528756082

28

28

28

34

100%

1.083

2019-12-06

2a/notebook_convert.ipynb

2A.soft - Convert a notebook into a document

True

2.03335321508348

8

8

8

35

100%

66.038

2019-12-05

2a/seance_5_dask.ipynb

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

True

66.91087850090116

16

16

16

36

100%

54.322

2019-12-05

2a/seance_5_intro_et_json.ipynb

2A.i - Données non structurées, programmation fonctionnelle

True

55.158433702075854

20

20

20

37

100%

95.942

2019-12-05

2a/seance_5_prog_fonctionnelle.ipynb

2A.i - programmation fonctionnelle

True

97.4099092700053

44

44

44

38

100%

15.873

2019-12-06

2a/timeseries_ssa.ipynb

Single Spectrum Analysis (SSA)

True

18.9321776679717

27

27

27

39

100%

1162.041

2019-12-06

data/data_irep.ipynb

IREP: registre des émissions polluantes

True

1164.1289710728452

21

21

21

40

100%

3.720

2019-12-06

data/deal_flow_espace_vert.ipynb

Deal flow espaces verts 2018 - 2019

True

5.394348202738911

14

14

14

41

100%

0.969

2019-12-06

exams/interro_rapide_20_minutes_2014_09.ipynb

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

True

1.7871355689130723

12

12

12

42

100%

1.515

2019-12-06

exams/interro_rapide_20_minutes_2014_10.ipynb

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

True

2.3722058408893645

17

17

17

43

82%

3.310

2019-12-06

exams/interro_rapide_20_minutes_2014_11.ipynb

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

True

4.924512618221343

35

29

29

44

100%

1.206

2019-12-06

exams/interro_rapide_20_minutes_2014_12.ipynb

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

True

2.0541713628917933

15

15

15

45

100%

0.650

2019-12-06

exams/interro_rapide_20_minutes_2015_09.ipynb

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

True

1.6641321778297424

12

12

12

46

100%

0.984

2019-12-06

exams/interro_rapide_20_minutes_2015_11.ipynb

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

True

1.8221118142828345

16

16

16

47

100%

6.324

2019-12-06

exams/td_note_2013_bout_de_code_coloriage.ipynb

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

True

7.1356592290103436

6

6

6

48

100%

14.484

2019-12-06

exams/td_note_2013_coloriage_correction.ipynb

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

True

15.359079270157963

14

14

14

49

100%

2.918

2019-12-06

exams/td_note_2015.ipynb

1A.e - TD noté, 5 décembre 2014

True

3.772219729144126

36

36

36

50

100%

0.160

2019-12-06

exams/td_note_2015_rattrapage_enonce.ipynb

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

True

1.036499629728496

6

6

6

51

100%

3.235

2019-12-06

exams/td_note_2016.ipynb

1A.e - TD noté, 11 décembre 2015

True

4.288666228298098

26

26

26

52

100%

2.196

2019-12-06

exams/td_note_2017.ipynb

1A.e - TD noté, 16 décembre 2016

True

3.084769960027188

23

23

23

53

100%

1.650

2019-12-06

exams/td_note_2017_2.ipynb

1A.e - TD noté, 21 février 2017

True

2.4795618522912264

21

21

21

54

100%

4.335

2019-12-06

exams/td_note_2018_1.ipynb

1A.e - Enoncé 12 décembre 2017 (1)

True

5.178494357969612

25

25

25

55

100%

3.677

2019-12-06

exams/td_note_2018_2.ipynb

1A.e - Enoncé 12 décembre 2017 (2)

True

4.538390441332012

21

21

21

56

100%

20.647

2019-12-06

exams/td_note_2019_1.ipynb

1A.e - Enoncé 23 octobre 2018 (1)

True

21.527320546098053

17

17

17

57

100%

8.784

2019-12-06

exams/td_note_2019_2.ipynb

1A.e - Enoncé 23 octobre 2018 (2)

True

9.609869483858347

18

18

18

58

100%

4.341

2019-12-06

exams/td_note_2020_1.ipynb

1A.e - Enoncé 22 octobre 2019 (1)

True

5.867595457937568

29

29

29

59

100%

4.419

2019-12-06

exams/td_note_2020_2.ipynb

1A.e - Enoncé 22 octobre 2019 (2)

True

5.299528929870576

28

28

28

60

100%

16.537

2019-12-06

expose/BJKST.ipynb

2A.algo - Algorithmes de streaming : généralités

True

18.178653987124562

39

39

39

61

100%

4.259

2019-12-06

expose/expose_TSP.ipynb

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

True

5.04973523830995

11

11

11

62

100%

1.234

2019-12-06

expose/expose_einstein_riddle.ipynb

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

True

2.991039373911917

4

4

4

63

100%

2.191

2019-12-06

expose/expose_graphe_et_map_reduce.ipynb

3A.mr - Graphes et Map Reduce

True

3.889894813299179

11

11

11

64

100%

0.640

2019-12-06

expose/expose_rwr_recommandation.ipynb

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

True

2.3275026720948517

4

4

4

65

100%

2.128

2019-12-05

expose/expose_vigenere.ipynb

1A.algo - Casser le code de Vigenère

True

3.1599248729180545

9

9

9

66

100%

39.991

2019-12-06

expose/hash_distribution.ipynb

2A.algo - Hash et distribution

True

42.63867773581296

14

14

14

67

100%

17.066

2019-12-06

expose/ml_features_model.ipynb

2A.ml - Features ou modèle

True

24.70196369010955

15

15

15

68

100%

6.351

2019-12-05

expose/ml_huge_datasets.ipynb

2A.i - Huge datasets, datasets hiérarchiques

True

7.7471476923674345

21

21

21

69

100%

580.384

2019-12-05

expose/ml_rue_paris_parcours.ipynb

2A.algo - Parcourir les rues de Paris

True

581.4956167847849

24

24

24

70

100%

180.196

2019-12-05

expose/ml_table_mortalite.ipynb

2A.i - Table de mortalité dans plusieurs containers

True

181.43688020901754

35

35

35

71

100%

2.338

2019-12-06

sklearn_ensae_course/00_introduction_machine_learning_and_data.ipynb

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

True

4.017498733010143

13

13

13

72

100%

2.275

2019-12-06

sklearn_ensae_course/01_data_manipulation.ipynb

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

True

3.084631255362183

18

18

18

73

100%

3.243

2019-12-06

sklearn_ensae_course/02_basic_of_machine_learning_with_scikit-learn.ipynb

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

True

4.082152748014778

15

15

15

74

100%

6.189

2019-12-06

sklearn_ensae_course/03_supervised_classification.ipynb

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

True

7.037172422744334

12

12

12

75

100%

4.008

2019-12-06

sklearn_ensae_course/04_supervised_regression.ipynb

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

True

4.8471227288246155

12

12

12

76

100%

5.658

2019-12-06

sklearn_ensae_course/05_measuring_prediction_performance.ipynb

2A.ML101.5: Measuring prediction performance

True

6.477497277781367

23

23

23

77

100%

7.438

2019-12-06

sklearn_ensae_course/06_unsupervised_dimreduction.ipynb

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

True

8.315350673161447

18

18

18

78

100%

6.762

2019-12-06

sklearn_ensae_course/07_application_to_face_recognition.ipynb

2A.ML101.7: Example from Image Processing

True

7.626709701959044

19

19

19

79

100%

3.863

2019-12-06

sklearn_ensae_course/08_validation_and_learning_curves.ipynb

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

True

4.704000186640769

15

15

15

80

100%

0.304

2019-12-06

td1a/integrale_rectangle.ipynb

1A.1 - Intégrale et la méthode des rectangles

True

1.1247088490054011

6

6

6

81

100%

3.098

2019-12-06

td1a/integrale_rectangle_correction.ipynb

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

True

4.235605210065842

30

30

30

82

100%

0.221

2019-12-06

td1a/j2048.ipynb

1A.2 - 2048 - stratégie gagnante

True

2.0938753709197044

3

3

3

83

100%

0.943

2019-12-06

td1a/j2048_correction.ipynb

1A.2 - 2048 - stratégie gagnante - correction

True

1.7734580030664802

11

11

11

84

0%

nan

td1a/matrix_dictionary.ipynb

Produit matriciel avec une matrice creuse

nan

36

0

85

100%

0.244

2019-12-06

td1a/pp_exo_deviner_un_nombre.ipynb

1A.1 - Deviner un nombre aléatoire

True

1.060100493952632

5

5

5

86

100%

0.571

2019-12-06

td1a/pp_exo_deviner_un_nombre_correction.ipynb

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

True

1.9249380850233138

7

7

7

87

75%

1.048

2019-12-06

td1a/td1a_cenonce_session1.ipynb

1A.0 - Premiers pas en Python

True

3.1762940790504217

16

12

12

88

100%

2.390

2019-12-06

td1a/td1a_cenonce_session2.ipynb

1A.1 - Variables, boucles, tests

True

3.255756459198892

30

30

30

89

100%

1.455

2019-12-06

td1a/td1a_cenonce_session3.ipynb

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

True

3.076606789138168

26

26

26

90

100%

1.846

2019-12-06

td1a/td1a_cenonce_session4.ipynb

1A.2 - Modules, fichiers, expressions régulières

True

2.6774337869137526

20

20

20

91

100%

1.544

2019-12-06

td1a/td1a_cenonce_session5.ipynb

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

True

2.3729809001088142

17

17

17

92

100%

0.827

2019-12-06

td1a/td1a_cenonce_session6.ipynb

1A.2 - Classes, héritage

True

2.466223953757435

11

11

11

93

100%

1.097

2019-12-06

td1a/td1a_correction_session1.ipynb

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

True

1.9304027571342885

13

13

13

94

100%

0.574

2019-12-06

td1a/td1a_correction_session2.ipynb

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

True

1.4366866969503462

8

8

8

95

100%

0.684

2019-12-06

td1a/td1a_correction_session3.ipynb

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

True

2.4079992626793683

9

9

9

96

100%

2.083

2019-12-06

td1a/td1a_correction_session4.ipynb

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

True

2.895560528151691

20

20

20

97

100%

10.217

2019-12-06

td1a/td1a_correction_session5.ipynb

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

True

11.122244109865278

12

12

12

98

100%

0.471

2019-12-06

td1a/td1a_correction_session6.ipynb

1A.2 - Classes, héritage (correction)

True

1.487415439914912

5

5

5

99

100%

0.696

2019-12-06

td1a/td1a_pyramide_bigarree.ipynb

1A.1 - Tracer une pyramide bigarrée

True

2.4497391399927437

5

5

5

100

100%

1.555

2019-12-06

td1a/td1a_pyramide_bigarree_correction.ipynb

1A.1 - Tracer une pyramide bigarrée - correction

True

2.3672917606309056

11

11

11

101

100%

0.846

2019-12-06

td1a/texte_langue.ipynb

1A.2 - Deviner la langue d’un texte

True

2.351399171166122

6

6

6

102

100%

4.493

2019-12-06

td1a/texte_langue_correction.ipynb

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

True

5.4845672971569

23

23

23

103

100%

0.313

2019-12-06

td1a_algo/BJKST_enonce.ipynb

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

True

1.267683971207589

4

4

4

104

100%

2.121

2019-12-06

td1a_algo/graph1exo_parcours.ipynb

1A.algo - Parcours de graphe

True

3.0498241228051484

8

8

8

105

100%

0.954

2019-12-06

td1a_algo/graph1exo_parcours_correction.ipynb

1A.algo - Parcours de graphe - correction

True

1.8135222140699625

9

9

9

106

100%

0.521

2019-12-06

td1a_algo/graph4exos.ipynb

1A.algo - Des problèmes de graphes

True

1.4154913127422333

6

6

6

107

100%

0.619

2019-12-06

td1a_algo/graph_spectral_clustering.ipynb

1A.algo - Spectral Clustering

True

1.6713702278211713

6

6

6

108

100%

1.079

2019-12-06

td1a_algo/graph_spectral_clustering_correction.ipynb

1A.algo - Spectral Clustering - correction

True

1.8944212049245834

11

11

11

109

100%

0.170

2019-12-06

td1a_algo/td1a_cenonce_session4_5_jaccard.ipynb

1A.algo - distance de Jaccard (dictionnaires)

True

1.5516988467425108

4

4

4

110

100%

3.377

2019-12-06

td1a_algo/td1a_cenonce_session7.ipynb

1A.algo - Programmation dynamique et plus court chemin

True

4.259008713066578

17

17

17

111

100%

0.380

2019-12-06

td1a_algo/td1a_cenonce_session7_edition.ipynb

1A.algo - La distance d’édition

True

1.5933847017586231

8

8

8

112

100%

0.354

2019-12-06

td1a_algo/td1a_cenonce_session8.ipynb

1A.algo - Arbre et Trie

True

1.9828950357623398

10

10

10

113

100%

0.095

2019-12-06

td1a_algo/td1a_cenonce_session8_wikiroot.ipynb

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

True

1.4762410670518875

4

4

4

114

100%

0.435

2019-12-06

td1a_algo/td1a_cenonce_session9.ipynb

1A.algo - Optimisation sous contrainte

True

1.2818672377616167

6

6

6

115

100%

4.196

2019-12-06

td1a_algo/td1a_correction_session4_5_jaccard.ipynb

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

True

5.078057216014713

17

17

17

116

100%

4.709

2019-12-06

td1a_algo/td1a_correction_session7.ipynb

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

True

5.951372998766601

15

15

15

117

100%

2.147

2019-12-06

td1a_algo/td1a_correction_session7_edition.ipynb

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

True

3.0274824798107147

20

20

20

118

100%

64.210

2019-12-05

td1a_algo/td1a_correction_session8.ipynb

1A.algo - Arbre et Trie (correction)

True

65.94317098311149

20

20

20

119

100%

2.293

2019-12-06

td1a_algo/td1a_correction_session8_wikiroot.ipynb

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

True

3.1032728529535234

5

5

5

120

100%

1.184

2019-12-06

td1a_algo/td1a_correction_session9.ipynb

1A.algo - Optimisation sous contrainte (correction)

True

3.213379552587867

7

7

7

121

100%

0.000

2019-12-06

td1a_algo/td1a_plus_grande_somme.ipynb

1A.algo - la plus grande sous-séquence croissante

True

0.9539911667816341

1

1

1

122

100%

151.076

2019-12-06

td1a_algo/td1a_plus_grande_somme_correction.ipynb

1A.algo - la plus grande sous-séquence croissante - correction

True

152.294215220958

10

10

10

123

87%

1.381

2019-12-06

td1a_algo/td1a_quicksort.ipynb

1A.algo - Quicksort

True

2.24208544800058

8

7

7

124

100%

2.101

2019-12-06

td1a_algo/td1a_quicksort_correction.ipynb

1A.algo - quicksort - correction

True

3.4896087292581797

10

10

10

125

100%

0.831

2019-12-06

td1a_algo/td1a_sobel.ipynb

1A.algo - filtre de Sobel

True

1.7887630420736969

6

6

6

126

100%

4.924

2019-12-06

td1a_algo/td1a_sobel_correction.ipynb

1A.algo - filtre de Sobel - correction

True

6.491296509280801

8

8

8

127

100%

0.092

2019-12-06

td1a_dfnp/decorrelation.ipynb

1A.data - Décorrélation de variables aléatoires

True

1.6594932470470667

7

7

7

128

100%

1.152

2019-12-06

td1a_dfnp/decorrelation_correction.ipynb

1A.data - Décorrélation de variables aléatoires - correction

True

1.9733308958820999

15

15

15

129

100%

4.999

2019-12-06

td1a_dfnp/td1a_cenonce_session_10.ipynb

1A.data - DataFrame et Matrice

True

6.760720125865191

51

51

51

130

100%

12.834

2019-12-05

td1a_dfnp/td1a_cenonce_session_12_carte.ipynb

1A.data - Visualisation des données - cartes

True

14.509780626976863

22

22

22

131

100%

11.588

2019-12-05

td1a_dfnp/td1a_cenonce_session_12_js.ipynb

1A.data - Visualisation des données - graphes interactifs

True

12.524489453993738

9

9

9

132

87%

18.597

2019-12-05

td1a_dfnp/td1a_cenonce_session_12_plot.ipynb

1A.data - Visualisation des données

True

19.476210599998012

16

14

14

133

100%

2.839

2019-12-05

td1a_dfnp/td1a_correction_session_10.ipynb

1A.data - DataFrame et Matrice (correction)

True

4.318920489167795

18

18

18

134

100%

34.909

2019-12-05

td1a_dfnp/td1a_correction_session_12.ipynb

1A.data - visualisation des données - correction

True

36.51176598900929

14

14

14

135

100%

4.502

2019-12-06

td1a_soft/td1a_cython_edit.ipynb

1A.soft - Calcul numérique et Cython

True

5.475378671661019

15

15

15

136

100%

2.124

2019-12-06

td1a_soft/td1a_cython_edit_correction.ipynb

1A.soft - Calcul numérique et Cython - correction

True

3.7736940840259194

8

8

8

137

100%

60.123

2019-12-06

td1a_soft/td1a_sql.ipynb

1A.soft - Notions de SQL

True

60.98296858230606

34

34

34

138

100%

54.465

2019-12-06

td1a_soft/td1a_sql_correction.ipynb

1A.soft - Notions de SQL - correction

True

55.415076879784465

15

15

15

139

100%

66.446

2019-12-06

td1a_soft/td1a_unit_test_ci.ipynb

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

True

67.2990569868125

14

14

14

140

100%

1.284

2019-12-06

td2a/ml_crypted_data.ipynb

2A.ml - Machine Learning et données cryptées

True

2.2277871053665876

9

9

9

141

100%

8.714

2019-12-06

td2a/ml_crypted_data_correction.ipynb

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

True

10.473101404029876

38

38

38

142

100%

1.262

2019-12-06

td2a/pandas_iterator.ipynb

2A.data - Pandas et itérateurs

True

2.1162740509025753

8

8

8

143

100%

2.443

2019-12-06

td2a/pandas_iterator_correction.ipynb

2A.data - Pandas et itérateurs - correction

True

3.95057779783383

19

19

19

144

100%

0.092

2019-12-06

td2a/td2a_bigdata_memory.ipynb

2A.i - Stratégies et grandes matrices en mémoire

True

1.7597150499932468

8

8

8

145

96%

21.590

2019-12-05

td2a/td2a_cenonce_session_1.ipynb

2A.data - DataFrame et Graphes

True

23.157409684965387

75

72

72

146

100%

6.067

2019-12-06

td2a/td2a_cenonce_session_2A.ipynb

2A.data - Calcul Matriciel, Optimisation

True

6.894507730845362

71

71

71

147

100%

0.317

2019-12-06

td2a/td2a_cenonce_session_2C.ipynb

2A.soft - Jupyter et commandes magiques

True

1.1429144199937582

5

5

5

148

0%

nan

td2a/td2a_cenonce_session_2D_jupyter.ipynb

2A.i - Jupyter et calcul distribué

nan

72

0

149

0%

nan

td2a/td2a_cenonce_session_2D_parallelisation_local.ipynb

2A.i - Parallélisation locale (énoncé)

nan

7

0

150

100%

0.726

2019-12-06

td2a/td2a_cenonce_session_2E.ipynb

2A.i - Sérialisation

True

1.5716583356261253

8

8

8

151

100%

1.598

2019-12-05

td2a/td2a_cenonce_session_5.ipynb

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

True

2.4148130379617214

20

20

20

152

100%

7.991

2019-12-05

td2a/td2a_cenonce_session_5_donnees_non_structurees_et_programmation_fonctionnelle.ipynb

2A.i - Données non structurées et programmation fonctionnelle

True

8.856862955028191

30

30

30

153

96%

25.678

2019-12-05

td2a/td2a_correction_session_1.ipynb

2A.data - DataFrame et Graphes - correction

True

26.529877156950533

27

26

26

154

100%

2.622

2019-12-05

td2a/td2a_correction_session_2A.ipynb

2A.data - Calcul Matriciel, Optimisation - correction

True

3.6177057661116123

13

13

13

155

100%

1.035

2019-12-05

td2a/td2a_correction_session_2C.ipynb

2A.soft - IPython et commandes magiques - correction

True

1.8744082080665976

6

6

6

156

100%

20.942

2019-12-05

td2a/td2a_correction_session_2E.ipynb

2A.i - Sérialisation - correction

True

23.022698713932186

22

22

22

157

100%

0.661

2019-12-05

td2a/td2a_correction_session_5.ipynb

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

True

1.5417279622051865

3

3

3

158

100%

21.092

2019-12-05

td2a/td2a_correction_session_5_donnees_non_structurees_et_programmation_fonctionnelle_corrige.ipynb

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

True

22.005359614966437

33

33

33

159

100%

3.384

2019-12-05

td2a/td2a_ml_text_features.ipynb

2A.ml - Classification binaire avec features textuelles

True

4.284311617957428

18

18

18

160

100%

12.216

2019-12-05

td2a/td2a_ml_text_features_correction.ipynb

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

True

15.795990418177098

23

23

23

161

100%

11.852

2019-12-06

td2a/td2a_progressbar.ipynb

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

True

14.025097782257944

6

6

6

162

100%

37.375

2019-12-06

td2a/td2a_some_nlp.ipynb

2A.ml - Texte et machine learning

True

38.24326460901648

36

36

36

163

90%

41.335

2019-12-06

td2a/td2a_visualisation.ipynb

2A.data - Matplotlib

True

42.415011326316744

42

38

38

164

100%

0.087

2019-12-06

td2a_algo/gentry_integer_encryption.ipynb

Cryptage homomorphic de Craig Gentry

True

0.9274792810902

6

6

6

165

100%

0.140

2019-12-06

td2a_algo/gentry_integer_encryption_correction.ipynb

Cryptage homomorphic de Craig Gentry - correction

True

1.0071873348206282

6

6

6

166

100%

5.667

2019-12-06

td2a_algo/knn_high_dimension.ipynb

2A.algo - Plus proches voisins en grande dimension

True

6.513038040138781

8

8

8

167

100%

29.493

2019-12-06

td2a_algo/knn_high_dimension_correction.ipynb

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

True

30.299742297269404

20

20

20

168

100%

0.116

2019-12-06

td2a_algo/td2a_cenonce_session_6A.ipynb

2A.algo - Puzzles algorithmiques (1)

True

0.9441945836879313

6

6

6

169

100%

0.083

2019-12-06

td2a_algo/td2a_cenonce_session_6B.ipynb

2A.algo - Puzzles algorithmiques (2)

True

0.9096203250810504

5

5

5

170

100%

0.487

2019-12-06

td2a_algo/td2a_correction_session_6A.ipynb

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

True

1.308649008627981

6

6

6

171

100%

0.103

2019-12-06

td2a_algo/td2a_correction_session_6B.ipynb

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

True

0.9513361477293074

6

6

6

172

100%

31.319

2019-12-05

td2a_eco/TD2A_Eco_Web_Scraping.ipynb

2A.eco - Web-Scraping

True

35.50583096733317

29

29

29

173

100%

6.490

2019-12-05

td2a_eco/TD2A_Eco_Web_Scraping_corrige.ipynb

2A.eco - Web-Scraping - correction

True

7.381042964756489

6

6

6

174

100%

1.164

2019-12-05

td2a_eco/TD2A_eco_API_SNCF.ipynb

2A.eco - Exercice API SNCF

True

2.0250140470452607

8

8

8

175

100%

28.946

2019-12-05

td2a_eco/TD2A_eco_API_SNCF_corrige.ipynb

2A.eco - Exercice API SNCF corrigé

True

30.400835305219516

35

35

35

176

100%

1.693

2019-12-06

td2a_eco/TD2A_eco_debuter_flask.ipynb

2A.eco - Débuter avec Flask

True

2.680884648580104

14

14

14

177

100%

3.372

2019-12-06

td2a_eco/TD2A_eco_les_API.ipynb

2A.eco - API, API REST

True

4.2190413773059845

15

15

15

178

100%

3.043

2019-12-06

td2a_eco/td2_eco_rappels_1a.ipynb

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

True

3.9411638155579567

29

29

29

179

100%

6.286

2019-12-06

td2a_eco/td2a_TD5_Traitement_automatique_des_langues_en_Python.ipynb

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

True

7.747447086963803

34

34

34

180

100%

8.946

2019-12-06

td2a_eco/td2a_TD5_Traitement_automatique_des_langues_en_Python_correction.ipynb

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

True

9.839249069802463

35

35

35

181

100%

0.000

2019-12-06

td2a_eco/td2a_eco_exercice_de_fin_de_seance.ipynb

2A.eco - Exercice Python - Eco Séance 2

True

0.8737341882660985

1

1

1

182

100%

0.568

2019-12-06

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

1.3716636868193746

3

3

3

183

100%

1.295

2019-12-06

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

2.0850294497795403

10

10

10

184

100%

2.800

2019-12-06

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

3.6739441361278296

16

16

16

185

100%

3.032

2019-12-06

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

3.8868550080806017

14

14

14

186

100%

9.232

2019-12-06

td2a_eco/td2a_eco_regressions_lineaires.ipynb

Régressions linéaires avec Statsmodels et Scikit-Learn

True

10.034250238910317

12

12

12

187

100%

2.566

2019-12-06

td2a_eco/td2a_eco_sql.ipynb

2A.eco - Python et la logique SQL

True

4.16781067289412

26

26

26

188

100%

3.733

2019-12-06

td2a_eco/td2a_eco_sql_correction.ipynb

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

True

4.5666691632941365

36

36

36

189

100%

12.695

2019-12-05

td2a_eco2/td2a_Seance_7_Analyse_de_textes.ipynb

TD7 - Analyse de texte

True

13.6850612598937

29

29

29

190

100%

10.681

2019-12-05

td2a_eco2/td2a_Seance_7_Analyse_de_textes_correction.ipynb

TD7 - Analyse de texte - correction

True

11.642317197052762

29

29

29

191

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

192

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

193

100%

994.795

2019-12-05

td2a_eco2/td2a_eco_NLP_tf_idf_ngrams_LDA_word2vec_sur_des_extraits_litteraires.ipynb

2A.eco - Introduction au text mining

True

996.1702043721452

69

69

69

194

100%

259.727

2019-12-05

td2a_ml/ml_a_tree_overfitting.ipynb

2A.ml - Tree, hyperparamètres, overfitting

True

261.7186556379311

27

27

27

195

100%

43.962

2019-12-06

td2a_ml/ml_b_imbalanced.ipynb

2A.ml - Imbalanced dataset

True

44.84205893287435

20

20

20

196

100%

5.909

2019-12-06

td2a_ml/ml_c_machine_learning_problems.ipynb

2A.ml - Problèmes classiques de machine learning illustrés

True

6.784789095167071

41

41

41

197

100%

0.230

2019-12-06

td2a_ml/ml_cc_machine_learning_problems2.ipynb

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

True

1.0485602742992342

4

4

4

198

100%

3.202

2019-12-06

td2a_ml/ml_ccc_machine_learning_interpretabilite.ipynb

2A.ml - Interprétabilité et corrélations des variables

True

5.013654443901032

26

26

26

199

100%

35.481

2019-12-06

td2a_ml/ml_lasso_rf_grid_search_correction.ipynb

Hyperparamètres, LassoRandomForestRregressor et grid_search (correction)

True

36.31022815871984

15

15

15

200

100%

1.224

2019-12-06

td2a_ml/ml_lasso_rf_grid_search_enonce.ipynb

Hyperparamètres, LassoRandomForestRregressor et grid_search (énoncé)

True

2.8489120728336275

4

4

4

201

100%

0.682

2019-12-06

td2a_ml/ml_scikit_learn_simple.ipynb

Rappels sur scikit-learn et le machine learning

True

1.5685890247114003

12

12

12

202

100%

4.941

2019-12-06

td2a_ml/ml_scikit_learn_simple_correction.ipynb

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

True

5.983059792313725

21

21

21

203

100%

10.472

2019-12-06

td2a_ml/seasonal_timeseries.ipynb

Timeseries

True

11.471502467989922

42

42

42

204

100%

245.622

2019-12-05

td2a_ml/td2a_cenonce_session_3A.ipynb

2A.ml - Statistiques descriptives avec scikit-learn

True

247.0894534259569

21

21

21

205

100%

59.115

2019-12-05

td2a_ml/td2a_cenonce_session_3B.ipynb

2A.ml - Arbres de décision / Random Forest

True

60.25926181697287

16

16

16

206

100%

0.914

2019-12-06

td2a_ml/td2a_cenonce_session_4A.ipynb

2A.ml - Machine Learning et Marketting

True

2.5484514012932777

9

9

9

207

100%

1.026

2019-12-06

td2a_ml/td2a_clustering.ipynb

2A.ml - Clustering

True

2.686040551867336

6

6

6

208

100%

28.896

2019-12-06

td2a_ml/td2a_clustering_correction.ipynb

2A.ml - Clustering - correction

True

29.82111109327525

25

25

25

209

100%

17.983

2019-12-06

td2a_ml/td2a_correction_cl_reg_anomaly.ipynb

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

True

19.608825290109962

33

33

33

210

100%

352.053

2019-12-05

td2a_ml/td2a_correction_session_3A.ipynb

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

True

353.9340369680431

23

23

23

211

100%

171.916

2019-12-05

td2a_ml/td2a_correction_session_3B.ipynb

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

True

173.4322848848533

26

26

26

212

100%

8.141

2019-12-06

td2a_ml/td2a_correction_session_4A.ipynb

2A.ml - Machine Learning et Marketting - correction

True

9.828951377887279

26

26

26

213

100%

1.599

2019-12-06

td2a_ml/td2a_enonce_cl_reg_anomaly.ipynb

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

True

2.396699588280171

9

9

9

214

96%

6.982

2019-12-06

td2a_ml/td2a_ethics.ipynb

Machine Learning éthique

True

8.620604579802603

31

30

30

215

100%

0.081

2019-12-06

td2a_ml/td2a_ethics_correction.ipynb

Machine Learning éthique - correction

True

0.8997417939826846

2

2

2

216

100%

10.229

2019-12-06

td2a_ml/td2a_pipeline_tree_selection_correction.ipynb

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

True

11.8618593798019

24

24

24

217

100%

2.176

2019-12-06

td2a_ml/td2a_pipeline_tree_selection_enonce.ipynb

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

True

3.009976473171264

11

11

11

218

100%

0.681

2019-12-06

td2a_ml/td2a_sentiment_analysis.ipynb

2A.ml - Analyse de sentiments

True

1.5330778150819242

6

6

6

219

100%

79.925

2019-12-06

td2a_ml/td2a_sentiment_analysis_correction.ipynb

2A.ml - Analyse de sentiments - correction

True

80.831939896103

44

44

44

220

100%

1.626

2019-12-06

td2a_ml/td2a_timeseries.ipynb

2A.ml - Séries temporelles

True

2.430148296058178

15

15

15

221

100%

5.684

2019-12-06

td2a_ml/td2a_timeseries_correction.ipynb

2A.ml - Séries temporelles - correction

True

6.598661100957543

16

16

16

222

100%

37.912

2019-12-06

td2a_ml/td2a_tree_selection_correction.ipynb

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

True

38.794864687137306

19

19

19

223

100%

1.205

2019-12-06

td2a_ml/td2a_tree_selection_enonce.ipynb

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

True

2.102238447871059

8

8

8

_images/nbcov.png