Notebooks Coverage

Report on last executions.

_images/nbcov.png
index coverage exe time last execution name title success time nb cells nb runs nb valid
0 100% 13.202 2017-12-14 1a/code_liste_tuple.ipynb 1A.1 - Liste, tuple, ensemble, dictionnaire, liste chaînée, coût des opérations True 17.080569847619245 4 4 4
1 100% 3.423 2017-12-14 1a/code_multinomial.ipynb 1A.1 - Simuler une loi multinomiale True 7.113966731116534 12 12 12
2 100% 0.263 2017-12-14 1a/exercice_echelle.ipynb 1A.algo - Calculer le nombre de façons de monter une échelle. True 5.10256400708613 6 6 6
3 100% 0.079 2017-12-14 1a/exercice_morse.ipynb 1A.algo - Décoder du Morse sans espaces True 4.1093014726075126 4 4 4
4 100% 1.590 2017-12-14 1a/exercice_plus_grande_somme.ipynb 1A.algo - La sous-séquence de plus grande somme True 5.119038332106129 15 15 15
5 100% 0.123 2017-12-14 1a/exercice_xn.ipynb 1A.algo - Calculer x**n le plus rapidement possible True 4.110101124819494 4 4 4
6 100% 0.279 2017-12-14 1a/histogramme_rapide.ipynb 1A.1 - Histogramme et dictionnaire True 4.108338445583968 8 8 8
7 100% 4.954 2017-12-14 1a/profiling_example.ipynb 1A.soft - Exemple de profiling True 9.148833987918579 11 11 11
8 100% 1.400 2017-12-14 1a/recherche_dichotomique.ipynb 1A.algo - Recherche dichotomique True 5.107014690700225 9 9 9
9 100% 1.617 2017-12-14 1a/structures_donnees_conversion.ipynb 1A.1 - D’une structure de données à l’autre True 6.125741819390214 28 28 28
10 100% 0.835 2017-12-14 1a/tableau_contingence.ipynb 1A.1 - Calculer un chi 2 sur un tableau de contingence True 5.121290204865545 8 8 8
11 100% 25.694 2017-12-14 1a/tri_nlnd.ipynb 1A.algo - Tri plus rapide que prévu True 29.155570522529615 17 17 17
12 0% nan   2014-2015/2015_factorisation_matrice.ipynb 3A.mr - 2015 - Factorisation de matrice avec PIG   nan 34 0  
13 0% nan   2014-2015/2015_kmeans.ipynb 3A.mr - 2015 - Kmeans avec PIG   nan 104 0  
14 0% nan   2014-2015/2015_page_rank.ipynb 3A.mr - 2015 - PageRank avec PIG   nan 51 0  
15 100% 43.641 2017-12-14 2016-2017/solution_2016_credit_clement.ipynb 2016 - Une solution à la compétition de machine learning 2A True 47.16671771159827 28 28 28
16 100% 7.285 2017-12-13 2016/td2a_eco_competition_comparer_classifieurs.ipynb 2A.ml - 2016 - Compétition - Préparation des données True 13.116499684654173 16 16 16
17 100% 6.857 2017-12-13 2016/td2a_eco_competition_modeles_logistiques.ipynb 2A.ml - 2016 - Compétition ENSAE - Premiers modèles True 11.151634561902029 26 26 26
18 100% 114.854 2017-12-13 2016/td2a_eco_competition_statsdesc.ipynb 2A.ml - 2016 - Compétition - Importation des données True 118.31511681759048 22 22 22
19 0% nan   2017-2018/dimensions_reduction.ipynb Réduction des dimensions   nan 34 0  
20 100% 6.395 2017-12-13 2017/prepare_data_2017.ipynb 2A.ml - 2017 - Préparation des données True 10.116894390568063 43 43 43
21 100% 4.792 2017-12-14 2a/bayesian_with_python.ipynb 2A.ml - Bayesian models with Python True 8.118355974630845 17 17 17
22 100% 116.752 2017-12-14 2a/cffi_linear_regression.ipynb Optimisation de code avec cffi, numba, cython True 121.29746084822705 75 75 75
23 100% 1.875 2017-12-14 2a/dataframe_matrix_speed.ipynb 2A.i - Mesures de vitesse sur les dataframes True 6.128870609941941 15 15 15
24 0% nan   2a/git_notebook.ipynb 2A.soft - Git depuis le notebook   nan 47 0  
25 100% 0.946 2017-12-14 2a/jupyter_custom_magics.ipynb 2A.soft - Custom Magics for Jupyter True 5.109248410702776 5 5 5
26 100% 8.713 2017-12-14 2a/ml_timeseries_base.ipynb 2A.ml - Timeseries et machine learning True 12.130394045150751 28 28 28
27 100% 2.822 2017-12-14 2a/notebook_convert.ipynb 2A.soft - Convert a notebook into a document True 7.113910411025017 8 8 8
28 78% 2.251 2017-12-13 2a/python_csharp.ipynb 2A.soft - Python et C Sharp True 6.083020431151056 14 11 11
29 100% 8.876 2017-12-13 2a/python_r.ipynb 2A.soft - R et notebooks True 13.270786409642369 17 17 17
30 100% 188.207 2017-12-13 2a/seance_5_dask.ipynb 2A.i - Données non structurées, programmation fonctionnelle : dask True 192.5846004184441 16 16 16
31 100% 42.063 2017-12-13 2a/seance_5_intro_et_json.ipynb 2A.i - Données non structurées, programmation fonctionnelle True 45.17424730094234 20 20 20
32 100% 112.095 2017-12-13 2a/seance_5_prog_fonctionnelle.ipynb 2A.i - programmation fonctionnelle True 115.24724834588892 44 44 44
33 100% 0.367 2017-12-14 exams/interro_rapide_20_minutes_2014_09.ipynb 1A.e - Correction de l’interrogation écrite du 26 septembre 2014 True 4.098055607014203 12 12 12
34 100% 1.353 2017-12-14 exams/interro_rapide_20_minutes_2014_10.ipynb 1A.e - Correction de l’interrogation écrite du 10 octobre 2014 True 5.1175605115167855 17 17 17
35 82% 3.957 2017-12-14 exams/interro_rapide_20_minutes_2014_11.ipynb 1A.e - Correction de l’interrogation écrite du 14 novembre 2014 True 7.081908497072732 35 29 29
36 100% 0.453 2017-12-14 exams/interro_rapide_20_minutes_2014_12.ipynb 1A.e - Correction de l’interrogation écrite du 14 novembre 2014 True 4.109905168136493 15 15 15
37 100% 0.249 2017-12-14 exams/interro_rapide_20_minutes_2015_09.ipynb 1A.e - Correction de l’interrogation écrite du 26 septembre 2015 True 4.112682074478471 12 12 12
38 100% 0.359 2017-12-14 exams/interro_rapide_20_minutes_2015_11.ipynb 1A.e - Correction de l’interrogation écrite du 6 novembre 2015 True 15.118077632359018 16 16 16
39 100% 12.446 2017-12-14 exams/td_note_2013_bout_de_code_coloriage.ipynb 1A.e - TD noté, 27 novembre 2012 (éléments de code pour le coloriage) True 17.162546766621745 6 6 6
40 100% 30.100 2017-12-14 exams/td_note_2013_coloriage_correction.ipynb 1A.e - TD noté, 27 novembre 2012 (coloriage, correction) True 34.193028503551886 14 14 14
41 100% 1.221 2017-12-14 exams/td_note_2015.ipynb 1A.e - TD noté, 5 décembre 2014 True 5.107622575327014 36 36 36
42 100% 0.085 2017-12-14 exams/td_note_2015_rattrapage_enonce.ipynb 1A.e - TD noté 2015 rattrapage (énoncé, écrit et oral) True 4.109802767969541 6 6 6
43 100% 4.522 2017-12-14 exams/td_note_2016.ipynb 1A.e - TD noté, 11 décembre 2015 True 8.129931382579116 26 26 26
44 100% 1.440 2017-12-14 exams/td_note_2017.ipynb 1A.e - TD noté, 16 décembre 2016 True 6.129733564074968 23 23 23
45 100% 0.899 2017-12-14 exams/td_note_2017_2.ipynb 1A.e - TD noté, 21 février 2017 True 5.119779336949705 21 21 21
46 100% 6.996 2017-12-14 exams/td_note_2018_1.ipynb 1A.e - Enoncé 12 décembre 2017 (1) True 11.126280351176774 25 25 25
47 100% 5.363 2017-12-14 exams/td_note_2018_2.ipynb 1A.e - Enoncé 12 décembre 2017 (2) True 9.127213589060602 21 21 21
48 100% 22.937 2017-12-14 expose/BJKST.ipynb 2A.algo - Algorithmes de streaming : généralités True 27.116165076516154 39 39 39
49 100% 8.744 2017-12-13 expose/expose_TSP.ipynb 2A.algo - Réflexions autour du voyage de commerce (TSP) True 12.125231622087767 11 11 11
50 100% 4.253 2017-12-14 expose/expose_einstein_riddle.ipynb 2A.algo - L’énigme d’Einstein et sa résolution True 9.099547391262604 4 4 4
51 100% 2.216 2017-12-14 expose/expose_graphe_et_map_reduce.ipynb 3A.mr - Graphes et Map Reduce True 6.103425564853296 11 11 11
52 100% 0.480 2017-12-14 expose/expose_rwr_recommandation.ipynb 3A.mr - Random Walk with Restart (système de recommandations) True 4.083795918329315 4 4 4
53 100% 401.588 2017-12-13 expose/expose_velib.ipynb 2A.ml - Déterminer la vitesse moyenne des vélib True 405.6120599413061 7 7 7
54 100% 2.190 2017-12-13 expose/expose_vigenere.ipynb 1A.algo - Casser le code de Vigenère True 6.122443080661014 9 9 9
55 100% 32.713 2017-12-14 expose/hash_distribution.ipynb 2A.algo - Hash et distribution True 37.17430696032534 14 14 14
56 100% 4.715 2017-12-14 expose/ml_features_model.ipynb 2A.ml - Features ou modèle True 8.143502662869878 16 16 16
57 0% nan   expose/ml_huge_datasets.ipynb 2A.i - Huge datasets, datasets hiérarchiques   nan 30 0  
58 100% 804.207 2017-12-13 expose/ml_rue_paris_parcours.ipynb 2A.algo - Parcourir les rues de Paris True 808.2243865883771 24 24 24
59 100% 168.101 2017-12-13 expose/ml_table_mortalite.ipynb 2A.i - Table de mortalité dans plusieurs containers True 172.6266575437469 34 34 34
60 100% 2.307 2017-12-14 sklearn_ensae_course/00_introduction_machine_learning_and_data.ipynb 2A.ML101.0: What is machine learning? True 6.128248296200809 13 13 13
61 100% 2.638 2017-12-14 sklearn_ensae_course/01_data_manipulation.ipynb 2A.ML101.1: Introduction to data manipulation with scientific Python True 7.127146098041521 18 18 18
62 100% 3.077 2017-12-14 sklearn_ensae_course/02_basic_of_machine_learning_with_scikit-learn.ipynb 2A.ML101.2: Basic principles of machine learning with scikit-learn True 7.12341919742471 15 15 15
63 100% 8.651 2017-12-14 sklearn_ensae_course/03_supervised_classification.ipynb 2A.ML101.3: Supervised Learning: Classification of Handwritten Digits True 13.148630118495475 12 12 12
64 100% 4.006 2017-12-14 sklearn_ensae_course/04_supervised_regression.ipynb 2A.ML101.4: Supervised Learning: Regression of Housing Data True 8.131601436208939 13 13 13
65 100% 7.358 2017-12-14 sklearn_ensae_course/05_measuring_prediction_performance.ipynb 2A.ML101.5: Measuring prediction performance True 11.139707340323184 23 23 23
66 100% 11.689 2017-12-14 sklearn_ensae_course/06_unsupervised_dimreduction.ipynb 2A.ML101.6: Unsupervised Learning: Dimensionality Reduction and Visualization True 15.155333140324501 18 18 18
67 100% 11.953 2017-12-14 sklearn_ensae_course/07_application_to_face_recognition.ipynb 2A.ML101.7: Example from Image Processing True 15.402354924563497 19 19 19
68 100% 4.634 2017-12-14 sklearn_ensae_course/08_validation_and_learning_curves.ipynb 2A.ML101.8: Parameter selection, Validation & Testing True 9.137959555657744 15 15 15
69 100% 0.990 2017-12-14 td1a/integrale_rectangle.ipynb 1A.1 - Intégrale et la méthode des rectangles True 5.10308252429445 6 6 6
70 100% 3.507 2017-12-14 td1a/integrale_rectangle_correction.ipynb 1A.1 - Intégrale et la méthode des rectangles - correction True 7.128110986886213 30 30 30
71 100% 1.010 2017-12-14 td1a/j2048.ipynb 1A.2 - 2048 - stratégie gagnante True 5.096740230325906 3 3 3
72 100% 1.556 2017-12-14 td1a/j2048_correction.ipynb 1A.2 - 2048 - stratégie gagnante - correction True 5.124629846669677 11 11 11
73 100% 0.081 2017-12-14 td1a/pp_exo_deviner_un_nombre.ipynb 1A.1 - Deviner un nombre aléatoire True 4.095932199918707 5 5 5
74 100% 0.427 2017-12-14 td1a/pp_exo_deviner_un_nombre_correction.ipynb 1A.1 - Deviner un nombre aléatoire (correction) True 4.111028777239653 7 7 7
75 75% 0.640 2017-12-14 td1a/td1a_cenonce_session1.ipynb 1A.0 - Premiers pas en Python True 5.094884925485189 16 12 12
76 100% 0.909 2017-12-14 td1a/td1a_cenonce_session2.ipynb 1A.1 - Variables, boucles, tests True 5.11592443612426 30 30 30
77 100% 0.596 2017-12-14 td1a/td1a_cenonce_session3.ipynb 1A.1 - Dictionnaires, fonctions, code de Vigenère True 4.117399463981656 26 26 26
78 100% 1.797 2017-12-14 td1a/td1a_cenonce_session4.ipynb 1A.2 - Modules, fichiers, expressions régulières True 6.124970094496803 18 18 18
79 100% 0.505 2017-12-14 td1a/td1a_cenonce_session5.ipynb 1A.2 - Classes, méthodes, attributs, opérateurs et carré magique True 5.113261100876116 17 17 17
80 100% 0.369 2017-12-14 td1a/td1a_cenonce_session6.ipynb 1A.2 - Classes, héritage True 4.070198572541585 11 11 11
81 100% 0.363 2017-12-14 td1a/td1a_correction_session1.ipynb 1A.0 - Premiers pas en Python (correction) True 4.115492493602233 13 13 13
82 100% 0.415 2017-12-14 td1a/td1a_correction_session2.ipynb 1A.1 - Variables, boucles, tests (correction) True 4.119722551402447 8 8 8
83 100% 0.360 2017-12-14 td1a/td1a_correction_session3.ipynb 1A.1 - Dictionnaires, fonctions, code de Vigenère (correction) True 4.1072097164724255 9 9 9
84 100% 2.527 2017-12-14 td1a/td1a_correction_session4.ipynb 1A.2 - Modules, fichiers, expressions régulières (correction) True 6.123628652311481 12 12 12
85 100% 14.110 2017-12-14 td1a/td1a_correction_session5.ipynb 1A.2 - Classes, méthodes, attributs, opérateurs et carré magique (correction) True 18.118853546350465 12 12 12
86 100% 0.256 2017-12-14 td1a/td1a_correction_session6.ipynb 1A.2 - Classes, héritage (correction) True 4.079728769885492 5 5 5
87 100% 1.023 2017-12-14 td1a/texte_langue.ipynb 1A.2 - Deviner la langue d’un texte True 5.1002097341598756 6 6 6
88 100% 5.734 2017-12-14 td1a/texte_langue_correction.ipynb 1A.2 - Deviner la langue d’un texte (correction) True 9.133669454123265 23 23 23
89 100% 1.101 2017-12-14 td1a_algo/BJKST_enonce.ipynb 1A.algo - BJKST - calculer le nombre d’éléments distincts True 5.128911570008654 4 4 4
90 100% 1.871 2017-12-14 td1a_algo/graph1exo_parcours.ipynb 1A.algo - Parcours de graphe True 6.125478837143419 8 8 8
91 100% 2.126 2017-12-14 td1a_algo/graph1exo_parcours_correction.ipynb 1A.algo - Parcours de graphe - correction True 6.133843999862165 9 9 9
92 100% 1.841 2017-12-14 td1a_algo/graph4exos.ipynb 1A.algo - Des problèmes de graphes True 6.121901347679284 6 6 6
93 100% 1.814 2017-12-14 td1a_algo/graph_spectral_clustering.ipynb 1A.algo - Spectral Clustering True 6.106161511128448 6 6 6
94 100% 2.396 2017-12-14 td1a_algo/graph_spectral_clustering_correction.ipynb 1A.algo - Spectral Clustering - correction True 6.132340113775626 11 11 11
95 100% 0.052 2017-12-14 td1a_algo/td1a_cenonce_session4_5_jaccard.ipynb 1A.algo - distance de Jaccard (dictionnaires) True 4.070600725924123 4 4 4
96 100% 3.663 2017-12-14 td1a_algo/td1a_cenonce_session7.ipynb 1A.algo - Programmation dynamique et plus court chemin True 8.116159025597312 17 17 17
97 100% 0.138 2017-12-14 td1a_algo/td1a_cenonce_session7_edition.ipynb 1A.algo - La distance d’édition True 4.108767595374047 8 8 8
98 100% 1.046 2017-12-14 td1a_algo/td1a_cenonce_session8.ipynb 1A.algo - Arbre et Trie True 5.0790985434042 10 10 10
99 100% 0.053 2017-12-14 td1a_algo/td1a_cenonce_session8_wikiroot.ipynb 1A.algo - Parcours dans un graphe (wikipédia) True 3.0650138659135564 4 4 4
100 100% 0.456 2017-12-14 td1a_algo/td1a_cenonce_session9.ipynb 1A.algo - Optimisation sous contrainte True 5.070801802615279 6 6 6
101 100% 5.247 2017-12-14 td1a_algo/td1a_correction_session4_5_jaccard.ipynb 1A.algo - distance de Jaccard (dictionnaires) - correction True 9.119629925797085 17 17 17
102 100% 6.015 2017-12-14 td1a_algo/td1a_correction_session7.ipynb 1A.algo - Programmation dynamique et plus court chemin (correction) True 10.088303387490555 15 15 15
103 100% 0.897 2017-12-14 td1a_algo/td1a_correction_session7_edition.ipynb 1A.algo - La distance d’édition (correction) True 5.116707331945008 20 20 20
104 100% 84.033 2017-12-13 td1a_algo/td1a_correction_session8.ipynb 1A.algo - Arbre et Trie (correction) True 88.50779148543006 20 20 20
105 100% 3.554 2017-12-14 td1a_algo/td1a_correction_session8_wikiroot.ipynb 1A.algo - Parcours dans un graphe (wikipédia) - correction True 8.125723666633462 5 5 5
106 100% 0.923 2017-12-13 td1a_algo/td1a_correction_session9.ipynb 1A.algo - Optimisation sous contrainte (correction) True 5.085166179102462 7 7 7
107 100% 0.000 2017-12-14 td1a_algo/td1a_plus_grande_somme.ipynb 1A.algo - la sous-séquence de plus grande somme True 4.1115263489592735 1 1 1
108 100% 164.678 2017-12-14 td1a_algo/td1a_plus_grande_somme_correction.ipynb 1A.algo - la sous-séquence de plus grande somme - correction True 169.26249026034793 10 10 10
109 87% 0.001 2017-12-14 td1a_algo/td1a_quicksort.ipynb 1A.algo - Quicksort True 3.070298645431876 8 7 7
110 100% 0.003 2017-12-14 td1a_algo/td1a_quicksort_correction.ipynb 1A.algo - quicksort - correction True 4.110042477450861 10 10 10
111 100% 1.408 2017-12-14 td1a_algo/td1a_sobel.ipynb 1A.algo - filtre de Sobel True 5.122497130468048 5 5 5
112 100% 0.001 2017-12-14 td1a_algo/td1a_sobel_correction.ipynb 1A.algo - filtre de Sobel - correction True 4.113846643648458 8 8 8
113 100% 0.001 2017-12-14 td1a_dfnp/decorrelation.ipynb 1A.data - Décorrélation True 4.105235720529436 7 7 7
114 100% 0.002 2017-12-14 td1a_dfnp/decorrelation_correction.ipynb 1A.data - Décorrélation - correction True 4.114032825769982 15 15 15
115 100% 3.649 2017-12-14 td1a_dfnp/td1a_cenonce_session_10.ipynb 1A.data - DataFrame et Matrice True 7.1088974574038275 51 51 51
116 97% 62.099 2017-12-13 td1a_dfnp/td1a_cenonce_session_12.ipynb 1A.data - Visualisation des données True 66.30982785143613 40 39 39
117 100% 4.359 2017-12-13 td1a_dfnp/td1a_correction_session_10.ipynb 1A.data - DataFrame et Matrice (correction) True 9.113104655249053 18 18 18
118 100% 101.051 2017-12-13 td1a_dfnp/td1a_correction_session_12.ipynb 1A.data - visualisation des données - correction True 105.30038330226421 17 17 17
119 100% 2.896 2017-12-14 td1a_soft/td1a_cython_edit.ipynb 1A.soft - Calcul numérique et Cython True 7.1124270049719485 15 15 15
120 100% 3.411 2017-12-14 td1a_soft/td1a_cython_edit_correction.ipynb 1A.soft - Calcul numérique et Cython - correction True 7.221479924447294 8 8 8
121 100% 2.580 2017-12-13 td1a_soft/td1a_python_csharp.ipynb 1A.soft - Python et CSharp True 7.11377258329901 11 11 11
122 100% 63.095 2017-12-14 td1a_soft/td1a_sql.ipynb 1A.soft - Notions de SQL True 67.3223650342527 34 34 34
123 100% 13.336 2017-12-14 td1a_soft/td1a_sql_correction.ipynb 1A.soft - Notions de SQL - correction True 17.150602252617546 15 15 15
124 100% 5.666 2017-12-14 td1a_soft/td1a_unit_test_ci.ipynb 1A.soft - Tests unitaires, setup et ingéniérie logiciel True 9.130647718291584 14 14 14
125 100% 1.202 2017-12-14 td2a/ml_crypted_data.ipynb 2A.ml - Machine Learning et données cryptées True 5.099642809599914 9 9 9
126 100% 6.950 2017-12-14 td2a/ml_crypted_data_correction.ipynb 2A.ml - Machine Learning et données cryptées - correction True 11.142755607107318 38 38 38
127 100% 1.369 2017-12-14 td2a/pandas_iterator.ipynb 2A.data - Pandas et itérateurs True 5.091439159871783 8 8 8
128 100% 2.180 2017-12-14 td2a/pandas_iterator_correction.ipynb 2A.data - Pandas et itérateurs - correction True 6.1305909327444965 19 19 19
129 0% nan   td2a/td2a_bigdata_memory.ipynb 2A.i - Stratégies et grandes matrices en mémoire   nan 27 0  
130 96% 24.045 2017-12-13 td2a/td2a_cenonce_session_1.ipynb 2A.data - DataFrame et Graphes True 28.266176542460016 75 72 72
131 100% 3.394 2017-12-14 td2a/td2a_cenonce_session_2A.ipynb 2A.data - Calcul Matriciel, Optimisation True 8.141786994620247 71 71 71
132 100% 0.129 2017-12-14 td2a/td2a_cenonce_session_2C.ipynb 2A.soft - Jupyter et commandes magiques True 4.106349555071233 5 5 5
133 0% nan   td2a/td2a_cenonce_session_2D_jupyter.ipynb 2A.i - Jupyter et calcul distribué   nan 72 0  
134 0% nan   td2a/td2a_cenonce_session_2D_parallelisation_local.ipynb 2A.i - Parallélisation locale (énoncé)   nan 7 0  
135 100% 0.883 2017-12-14 td2a/td2a_cenonce_session_2E.ipynb 2A.i - Sérialisation True 4.1122613028837804 8 8 8
136 100% 1.820 2017-12-13 td2a/td2a_cenonce_session_5.ipynb 2A.i - Modèle relationnel, analyse d’incidents dans le transport aérien True 6.105372049887478 20 20 20
137 100% 17.306 2017-12-13 td2a/td2a_cenonce_session_5_donnees_non_structurees_et_programmation_fonctionnelle.ipynb 2A.i - Données non structurées et programmation fonctionnelle True 21.14412816771278 30 30 30
138 96% 27.126 2017-12-13 td2a/td2a_correction_session_1.ipynb 2A.data - DataFrame et Graphes - correction True 31.193334217698066 27 26 26
139 100% 4.868 2017-12-13 td2a/td2a_correction_session_2A.ipynb 2A.data - Calcul Matriciel, Optimisation - correction True 9.170958395297134 13 13 13
140 100% 2.162 2017-12-13 td2a/td2a_correction_session_2C.ipynb 2A.soft - IPython et commandes magiques - correction True 7.130590406505121 6 6 6
141 100% 21.828 2017-12-13 td2a/td2a_correction_session_2E.ipynb 2A.i - Sérialisation - correction True 27.182457928678332 22 22 22
142 100% 0.989 2017-12-13 td2a/td2a_correction_session_5.ipynb 2A.i - Modèle relationnel, analyse d’incidents dans le transport aérien - correction True 5.104151161194295 3 3 3
143 100% 56.203 2017-12-13 td2a/td2a_correction_session_5_donnees_non_structurees_et_programmation_fonctionnelle_corrige.ipynb 2A.i - Données non structurées, programmation fonctionnelle - correction True 60.20873798834964 33 33 33
144 100% 16.244 2017-12-14 td2a/td2a_ml_text_features.ipynb 2A.ml - Classification binaire avec features textuelles True 20.156835630044952 18 18 18
145 100% 7.939 2017-12-14 td2a/td2a_ml_text_features_correction.ipynb 2A.ml - Classification binaire avec features textuelles - correction True 12.191184835093821 23 23 23
146 100% 11.671 2017-12-14 td2a/td2a_progressbar.ipynb 2A.i - ProgressBar et fusion de random forest - énoncé True 16.10763141897769 6 6 6
147 100% 10.702 2017-12-14 td2a/td2a_some_nlp.ipynb 2A.ml - Texte et machine learning True 14.142554064960677 29 29 29
148 90% 48.693 2017-12-14 td2a/td2a_visualisation.ipynb 2A.data - Matplotlib True 52.27874861410646 42 38 38
149 100% 0.053 2017-12-14 td2a_algo/gentry_integer_encryption.ipynb Cryptage homomorphic de Craig Gentry True 4.099620002290067 6 6 6
150 100% 0.052 2017-12-14 td2a_algo/gentry_integer_encryption_correction.ipynb Cryptage homomorphic de Craig Gentry - correction True 4.112947849456987 6 6 6
151 100% 8.070 2017-12-14 td2a_algo/knn_high_dimension.ipynb 2A.algo - Plus proches voisins en grande dimension True 12.12979407326452 8 8 8
152 100% 34.553 2017-12-14 td2a_algo/knn_high_dimension_correction.ipynb 2A.algo - Plus proches voisins en grande dimension - correction True 38.166092605125414 20 20 20
153 100% 0.051 2017-12-14 td2a_algo/td2a_cenonce_session_6A.ipynb 2A.algo - Puzzles algorithmiques (1) True 4.108809486351447 6 6 6
154 100% 0.050 2017-12-14 td2a_algo/td2a_cenonce_session_6B.ipynb 2A.algo - Puzzles algorithmiques (2) True 4.1055727101693265 5 5 5
155 100% 0.451 2017-12-14 td2a_algo/td2a_correction_session_6A.ipynb 2A.algo - Puzzles algorithmes (1) - correction True 5.112951573099281 6 6 6
156 100% 0.045 2017-12-14 td2a_algo/td2a_correction_session_6B.ipynb 2A.algo - Puzzles algorithmes (2) - correction True 4.1037136816862585 6 6 6
157 100% 4.282 2017-12-13 td2a_deep/100_Logistic_IRIS.ipynb 100 - Logistic Regression with IRIS and pytorch True 8.257883063718475 9 9 9
158 100% 3.853 2017-12-13 td2a_deep/110_Perceptron_Iris.ipynb 110 - First percepton with pytorch True 7.13776260394194 9 9 9
159 100% 79.482 2017-12-13 td2a_deep/200_Perceptron_MNIST.ipynb 200 - First percepton with pytorch True 83.18675966459307 14 14 14
160 100% 160.469 2017-12-13 td2a_deep/210_Convolution_MNIST.ipynb 210 - First convolution network (CNN) with pytorch True 164.3172369655121 13 13 13
161 100% 5808.348 2017-11-30 td2a_deep/300_Convolution_CIFAR10.ipynb 300 - Convolution network, gradient, tweaks, with pytorch True 5813.821611545148 12 12 12
162 100% 143.666 2017-11-30 td2a_deep/ml_deep_python.ipynb 2A.dl - Deep learning avec Python True 148.01375187054782 11 11 11
163 100% 72.525 2017-12-13 td2a_eco/TD2A_Eco_Web_Scraping.ipynb 2A.eco - Web-Scraping True 76.23962279519743 26 26 26
164 100% 9.308 2017-12-13 td2a_eco/TD2A_Eco_Web_Scraping_corrige.ipynb 2A.eco - Web-Scraping - correction True 13.128374840290718 2 2 2
165 100% 1.456 2017-12-13 td2a_eco/TD2A_eco_API_SNCF.ipynb 2A.eco - Exercice API SNCF True 5.0761647431735355 8 8 8
166 100% 120.295 2017-12-13 td2a_eco/TD2A_eco_API_SNCF_corrige.ipynb 2A.eco - Exercice API SNCF corrigé True 124.28309536942004 35 35 35
167 100% 1.482 2017-12-14 td2a_eco/TD2A_eco_debuter_flask.ipynb 2A.eco - Débuter avec Flask True 5.092551132592234 14 14 14
168 100% 5.966 2017-12-14 td2a_eco/TD2A_eco_les_API.ipynb 2A.eco - API, API REST True 10.119789576966241 14 14 14
169 100% 1.319 2017-12-14 td2a_eco/td2_eco_rappels_1a.ipynb 2A.eco - Rappel de ce que vous savez déjà mais avez peut-être oublié True 5.124807650595699 29 29 29
170 100% 12.335 2017-12-14 td2a_eco/td2a_TD5_Traitement_automatique_des_langues_en_Python.ipynb 2A.eco - Traitement automatique de la langue en Python True 16.161837412738805 28 28 28
171 100% 12.217 2017-12-14 td2a_eco/td2a_TD5_Traitement_automatique_des_langues_en_Python_correction.ipynb 2A.eco - Traitement automatique de la langue en Python - correction True 17.187402545295754 33 33 33
172 100% 0.000 2017-12-14 td2a_eco/td2a_eco_exercice_de_fin_de_seance.ipynb 2A.eco - Exercice Python - Eco Séance 2 True 4.105993481763903 1 1 1
173 100% 4.295 2017-12-14 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 8.079920537470628 3 3 3
174 100% 1.675 2017-12-14 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 5.126443260533051 10 10 10
175 100% 4.158 2017-12-14 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 8.137095670614144 16 16 16
176 100% 3.434 2017-12-14 td2a_eco/td2a_eco_exercices_de_manipulation_de_donnees_correction_c.ipynb 2A.eco - Mise en pratique des séances 1 et 2 - Utilisation de pandas et visualisation - correction True 7.129601374768754 14 14 14
177 100% 5.222 2017-12-14 td2a_eco/td2a_eco_regressions_lineaires.ipynb Régressions linéaires avec Statsmodels et Scikit-Learn True 9.151554108713526 12 12 12
178 100% 1.455 2017-12-14 td2a_eco/td2a_eco_sql.ipynb 2A.eco - Python et la logique SQL True 5.113673494275417 26 26 26
179 100% 1.910 2017-12-14 td2a_eco/td2a_eco_sql_correction.ipynb 2A.eco - Python et la logique SQL - correction True 6.138896982639608 36 36 36
180 0% nan   td2a_eco2/td2A_eco_API_pocket_et_Webscraping_correction.ipynb 2A.eco - Web Scrapping et API avec Pocket - correction   nan 123 0  
181 0% nan   td2a_eco2/td2a_NLP_pocket.ipynb NLP, Scrapping avec Pocket   nan 65 0  
182 0% nan   td2a_eco2/td2a_NLP_pocket_correction.ipynb NLP, Scrapping avec Pocket - correction   nan 108 0  
183 0% nan   td2a_eco2/td2a_Seance_7_Analyse_de_textes.ipynb TD7 - Analyse de texte   nan 61 0  
184 0% nan   td2a_eco2/td2a_Seance_7_Analyse_de_textes_correction.ipynb TD7 - Analyse de texte - correction   nan 61 0  
185 0% nan   td2a_eco2/td2a_eco_5d_Travailler_du_texte_les_expressions_regulieres.ipynb 2A.eco - A quoi ça sert ?   nan 26 0  
186 0% nan   td2a_eco2/td2a_eco_5d_Travailler_du_texte_les_expressions_regulieres_correction.ipynb 2A.eco - A quoi ça sert ? - correction   nan 8 0  
187 0% nan   td2a_eco2/td2a_eco_API_pocket_et_Webscraping.ipynb 2A.eco - Web Scrapping et API avec Pocket   nan 94 0  
188 100% 70.497 2017-12-13 td2a_ml/ml_a_tree_overfitting.ipynb 2A.ml - Tree, overfitting True 75.22818563279782 27 27 27
189 100% 20.975 2017-12-14 td2a_ml/ml_b_imbalanced.ipynb 2A.ml - Imbalanced dataset True 25.126372045871676 17 17 17
190 100% 7.415 2017-12-14 td2a_ml/ml_c_machine_learning_problems.ipynb 2A.ml - Problèmes classiques de machine learning illustrés True 12.199122244388263 41 41 41
191 100% 0.975 2017-12-14 td2a_ml/ml_cc_machine_learning_problems2.ipynb 2A.ml - Boosting, random forest, gradient - les features qu’ils aiment True 5.115064740178241 4 4 4
192 100% 5.349 2017-12-14 td2a_ml/ml_ccc_machine_learning_interpretabilite.ipynb 2A.ml - Interprétabilité et corrélations des variables True 9.103608954242986 26 26 26
193 100% 7.419 2017-12-14 td2a_ml/ml_d_libraries.ipynb 2A.ml - Librairies de machine learning True 12.134201934990791 21 21 21
194 0% nan   td2a_ml/ml_d_library_h2o.ipynb 2A.ml - Machine Learning avec H2O et Python   nan 18 0  
195 100% 260.408 2017-12-13 td2a_ml/td2a_cenonce_session_3A.ipynb 2A.ml - Statistiques descriptives avec scikit-learn True 264.4917695904228 22 22 22
196 100% 49.138 2017-12-13 td2a_ml/td2a_cenonce_session_3B.ipynb 2A.ml - Arbres de décision / Random Forest True 53.48443867280139 15 15 15
197 100% 1.623 2017-12-14 td2a_ml/td2a_cenonce_session_4A.ipynb 2A.ml - Machine Learning et Marketting True 5.108184379878367 9 9 9
198 100% 2.365 2017-12-14 td2a_ml/td2a_clustering.ipynb 2A.ml - Clustering True 6.097847083038118 7 7 7
199 100% 35.297 2017-12-14 td2a_ml/td2a_clustering_correction.ipynb 2A.ml - Clustering - correction True 39.20282494132937 25 25 25
200 100% 385.505 2017-12-13 td2a_ml/td2a_correction_session_3A.ipynb 2A.ml - Statistiques descriptives avec scikit-learn - correction True 389.7443729970885 25 25 25
201 100% 138.012 2017-12-13 td2a_ml/td2a_correction_session_3B.ipynb 2A.ml - Arbres de décision / Random Forest - correction True 142.74098494950977 25 25 25
202 100% 9.438 2017-12-14 td2a_ml/td2a_correction_session_4A.ipynb 2A.ml - Machine Learning et Marketting - correction True 13.150871285783069 26 26 26
203 81% 8.185 2017-12-02 td2a_ml/td2a_ethics.ipynb Machine Learning éthique True 12.238238997223561 16 13 13
204 100% 0.051 2017-12-02 td2a_ml/td2a_ethics_correction.ipynb Machine Learning éthique - correction True 4.112142094128983 2 2 2
205 100% 3.019 2017-12-14 td2a_ml/td2a_timeseries.ipynb 2A.ml - Séries temporelles True 7.108892337395503 15 15 15
206 100% 7.249 2017-12-14 td2a_ml/td2a_timeseries_correction.ipynb 2A.ml - Séries temporelles - correction True 11.150749801948791 16 16 16
207 100% 160.676 2017-12-13 td3a/map_reduce_timeseries.ipynb 3A.mr - Séries temporelles et map reduce True 164.28576428888937 28 28 28
208 100% 0.200 2017-12-13 td3a/td3a_cenonce_reservoir_sampling.ipynb 3A.mr - Reservoir Sampling distribué - énoncé True 4.111106922015324 7 7 7
209 92% 12.513 2017-12-13 td3a/td3a_cenonce_session6.ipynb 3A.mr - Séance 6 : Map/Reduce avec PIG - énoncé True 16.168467745126122 13 12 12
210 90% 5.080 2017-12-13 td3a/td3a_cenonce_session6b.ipynb 3A.mr - Map/Reduce avec PIG sur Azure - énoncé True 9.150125091054633 10 9 9
211 92% 3.769 2017-12-13 td3a/td3a_cenonce_session7a.ipynb 3A.mr - PIG et JSON et streaming avec les données vélib - énoncé True 8.148002150402476 13 12 12
212 66% 0.996 2017-12-13 td3a/td3a_cenonce_session7params.ipynb 3A.mr - PIG et Paramètres (Cloudera) - énoncé True 4.109637945760483 3 2 2
213 66% 1.059 2017-12-13 td3a/td3a_cenonce_session7paramsaz.ipynb 3A.mr - PIG et Paramètres (Azure) - énoncé True 5.112003388513017 3 2 2
214 100% 0.705 2017-12-13 td3a/td3a_cenonce_session8a.ipynb 3A.mr - Données antipathiques (skewed), Appariement - énoncé True 4.122423997002443 7 7 7
215 80% 1.747 2017-12-13 td3a/td3a_correction_reservoir_sampling.ipynb 3A.mr - Reservoir Sampling distribué - énoncé - correction True 5.1322641829983695 5 4 4
216 75% 0.761 2017-12-13 td3a/td3a_correction_session6.ipynb 3A.mr - Map/Reduce avec PIG - correction True 4.106929462608832 4 3 3
217 66% 0.767 2017-12-13 td3a/td3a_correction_session6b.ipynb 3A.mr - Map/Reduce avec PIG sur Azure - correction True 4.11724906734446 3 2 2
218 80% 2.071 2017-12-13 td3a/td3a_correction_session7a.ipynb 3A.mr - PIG et JSON et streaming avec les données vélib (correction) True 5.126813703928747 5 4 4
219 80% 1.211 2017-12-13 td3a/td3a_correction_session7az.ipynb 3A.mr - PIG et JSON et streaming avec les données vélib (correction avec Azure) True 5.12454367946907 5 4 4
220 66% 1.247 2017-12-13 td3a/td3a_correction_session7params.ipynb 3A.mr - PIG et Paramètres (Cloudera) (correction) True 5.116638390270168 3 2 2
221 66% 0.695 2017-12-13 td3a/td3a_correction_session7paramsaz.ipynb 3A.mr - PIG et Paramètres (Azure) (correction) True 5.119554000935523 3 2 2
222 100% 4.469 2017-12-13 td3a/td3a_correction_session8a.ipynb 3A.mr - Données antipathiques (skewed), Appariement (correction) True 8.131842946144502 13 13 13
223 0% nan   td3a_spark/spark_first_steps.ipynb 3A.mrs - Premiers pas avec Spark   nan 89 0  
224 0% nan   td3a_spark/spark_matrix_3_columns.ipynb 3A.mrs - Matrice en 3 colonnes   nan 42 0  
225 0% nan   td3a_spark/spark_mllib.ipynb 3A.mrs - Spark et MLlib   nan 30 0