Notebooks Coverage

Report on last executions.

91% 2020-12-23

index	coverage	exe time	last execution	name	title	success	time	nb cells	nb runs	nb valid
0	100%	8.341	2020-12-23	1a/code_liste_tuple.ipynb	1A.1 - Liste, tuple, ensemble, dictionnaire, liste chaînée, coût des opérations	True	9.256876658648252	4	4	4
1	100%	2.383	2020-12-23	1a/code_multinomial.ipynb	1A.1 - Simuler une loi multinomiale	True	3.285555249080062	12	12	12
2	100%	2.796	2020-12-23	1a/coloriage_carre.ipynb	Jeux de coloriage	True	3.679053343832493	23	23	23
3	100%	0.431	2020-12-23	1a/exercice_echelle.ipynb	1A.algo - Calculer le nombre de façons de monter une échelle.	True	1.322071623057127	6	6	6
4	100%	1.484	2020-12-23	1a/exercice_morse.ipynb	1A.algo - Décoder du Morse sans espaces	True	3.0129588637501	16	16	16
5	100%	1.642	2020-12-23	1a/exercice_plus_grande_somme.ipynb	1A.algo - La sous-séquence de plus grande somme	True	2.559277765452862	15	15	15
6	100%	0.287	2020-12-23	1a/exercice_xn.ipynb	1A.algo - Calculer x**n le plus rapidement possible	True	1.1925891786813736	4	4	4
7	100%	0.726	2020-12-23	1a/histogramme_rapide.ipynb	1A.1 - Histogramme et dictionnaire	True	1.5927066914737225	8	8	8
8	100%	23.121	2020-12-23	1a/nbheap.ipynb	Heap	True	24.763422017917037	15	15	15
9	100%	5.352	2020-12-23	1a/profiling_example.ipynb	1A.soft - Exemple de profiling	True	6.888518467545509	11	11	11
10	100%	0.669	2020-12-23	1a/recherche_dichotomique.ipynb	1A.algo - Recherche dichotomique	True	1.5734366364777088	9	9	9
11	100%	2.809	2020-12-23	1a/structures_donnees_conversion.ipynb	1A.1 - D’une structure de données à l’autre	True	3.703772772103548	29	29	29
12	100%	0.929	2020-12-23	1a/tableau_contingence.ipynb	1A.1 - Calculer un chi 2 sur un tableau de contingence	True	1.7900024503469467	8	8	8
13	100%	18.382	2020-12-23	1a/tri_nlnd.ipynb	1A.algo - Tri plus rapide que prévu	True	19.285389736294746	17	17	17
14	0%	nan		2014-2015/2015_factorisation_matrice.ipynb	3A.mr - 2015 - Factorisation de matrice avec PIG		nan	34	0
15	0%	nan		2014-2015/2015_kmeans.ipynb	3A.mr - 2015 - Kmeans avec PIG		nan	104	0
16	0%	nan		2014-2015/2015_page_rank.ipynb	3A.mr - 2015 - PageRank avec PIG		nan	51	0
17	100%	59.772	2020-12-23	2016-2017/solution_2016_credit_clement.ipynb	2016 - Une solution à la compétition de machine learning 2A	True	61.21555040962994	28	28	28
18	100%	4.990	2020-12-23	2016/td2a_eco_competition_comparer_classifieurs.ipynb	2A.ml - 2016 - Compétition - Préparation des données	True	5.8833137936890125	16	16	16
19	100%	5.847	2020-12-23	2016/td2a_eco_competition_modeles_logistiques.ipynb	2A.ml - 2016 - Compétition ENSAE - Premiers modèles	True	6.773752333596349	26	26	26
20	100%	78.161	2020-12-23	2016/td2a_eco_competition_statsdesc.ipynb	2A.ml - 2016 - Compétition - Importation des données	True	79.85833224654198	22	22	22
21	100%	4.937	2020-12-23	2017-2018/dimensions_reduction.ipynb	Réduction des dimensions	True	6.531828241422772	20	20	20
22	100%	6.202	2020-12-23	2017/prepare_data_2017.ipynb	2A.ml - 2017 - Préparation des données	True	7.092951741069555	43	43	43
23	89%	1.967	2020-12-23	2018-2019/2018-09-18_rappels_python.ipynb	2018-09-18 - Rappels sur le langage python	True	3.0274128671735525	28	25	25
24	100%	3.368	2020-12-23	2018-2019/2018-09-18_rappels_python_pandas_matplotlib.ipynb	2018-09-18 - Rappels sur pandas et maplotlib	True	4.3227999191731215	29	29	29
25	100%	3.269	2020-12-23	2018-2019/2018-09-18_sklearn_api.ipynb	2018-09-18 - API de scikit-learn	True	4.197066616266966	21	21	21
26	100%	0.902	2020-12-23	2018-2019/2018-09-25_distance_entre_mots.ipynb	2018-09-25 - Distance entre mots	True	1.8843579962849617	11	11	11
27	100%	6.224	2020-12-23	2018-2019/2018-10-02_scraping_recuperer_images.ipynb	2018-10-02 - Scraping, récupérer une image depuis LeMonde	True	7.133804613724351	20	20	20
28	100%	40.647	2020-12-23	2018-2019/2018-10-09_ensemble_gradient_boosting.ipynb	2018-10-09 Ensemble, Gradient, Boosting…	True	41.56793675944209	18	18	18
29	100%	5.082	2020-12-23	2a/bayesian_with_python.ipynb	2A.ml - Bayesian models with Python	True	11.444213828071952	19	19	19
30	100%	99.122	2020-12-23	2a/cffi_linear_regression.ipynb	Optimisation de code avec cffi, numba, cython	True	100.29823444597423	92	92	92
31	100%	1.887	2020-12-23	2a/dataframe_matrix_speed.ipynb	2A.i - Mesures de vitesse sur les dataframes	True	2.765697995200753	15	15	15
32	100%	6.602	2020-12-23	2a/git_notebook.ipynb	2A.soft - Git depuis le notebook	True	7.98562534339726	23	23	23
33	100%	0.577	2020-12-23	2a/jupyter_custom_magics.ipynb	2A.soft - Custom Magics for Jupyter	True	1.8922922108322382	5	5	5
34	100%	8.307	2020-12-23	2a/ml_timeseries_base.ipynb	2A.ml - Timeseries et machine learning	True	9.82050028629601	28	28	28
35	100%	1.145	2020-12-23	2a/notebook_convert.ipynb	2A.soft - Convert a notebook into a document	True	2.093740863725543	8	8	8
36	100%	84.023	2020-12-23	2a/seance_5_dask.ipynb	2A.i - Données non structurées, programmation fonctionnelle : dask	True	85.04946649633348	16	16	16
37	100%	41.995	2020-12-23	2a/seance_5_intro_et_json.ipynb	2A.i - Données non structurées, programmation fonctionnelle	True	42.933407904580235	20	20	20
38	100%	94.967	2020-12-23	2a/seance_5_prog_fonctionnelle.ipynb	2A.i - programmation fonctionnelle	True	96.63056733086705	44	44	44
39	100%	9.908	2020-12-23	2a/timeseries_ssa.ipynb	Single Spectrum Analysis (SSA)	True	10.821970127522945	27	27	27
40	100%	1000.889	2020-12-23	data/data_irep.ipynb	IREP: registre des émissions polluantes	True	1002.0503606777638	21	21	21
41	100%	4.171	2020-12-23	data/deal_flow_espace_vert.ipynb	Deal flow espaces verts 2018 - 2019	True	5.128129282966256	14	14	14
42	100%	0.905	2020-12-23	exams/interro_rapide_20_minutes_2014_09.ipynb	1A.e - Correction de l’interrogation écrite du 26 septembre 2014	True	1.8028288632631302	12	12	12
43	100%	1.538	2020-12-23	exams/interro_rapide_20_minutes_2014_10.ipynb	1A.e - Correction de l’interrogation écrite du 10 octobre 2014	True	2.433267341926694	17	17	17
44	82%	3.128	2020-12-23	exams/interro_rapide_20_minutes_2014_11.ipynb	1A.e - Correction de l’interrogation écrite du 14 novembre 2014	True	4.795374937355518	35	29	29
45	100%	1.135	2020-12-23	exams/interro_rapide_20_minutes_2014_12.ipynb	1A.e - Correction de l’interrogation écrite du 14 novembre 2014	True	2.1470750980079174	15	15	15
46	100%	0.563	2020-12-23	exams/interro_rapide_20_minutes_2015_09.ipynb	1A.e - Correction de l’interrogation écrite du 26 septembre 2015	True	1.4371318742632866	12	12	12
47	100%	0.858	2020-12-23	exams/interro_rapide_20_minutes_2015_11.ipynb	1A.e - Correction de l’interrogation écrite du 6 novembre 2015	True	1.7942990325391293	16	16	16
48	100%	6.492	2020-12-23	exams/td_note_2013_bout_de_code_coloriage.ipynb	1A.e - TD noté, 27 novembre 2012 (éléments de code pour le coloriage)	True	7.363671807572246	6	6	6
49	100%	15.861	2020-12-23	exams/td_note_2013_coloriage_correction.ipynb	1A.e - TD noté, 27 novembre 2012 (coloriage, correction)	True	16.8142769318074	14	14	14
50	100%	2.979	2020-12-23	exams/td_note_2015.ipynb	1A.e - TD noté, 5 décembre 2014	True	3.8765269108116627	36	36	36
51	100%	0.166	2020-12-23	exams/td_note_2015_rattrapage_enonce.ipynb	1A.e - TD noté 2015 rattrapage (énoncé, écrit et oral)	True	1.0988861359655857	6	6	6
52	100%	3.195	2020-12-23	exams/td_note_2016.ipynb	1A.e - TD noté, 11 décembre 2015	True	4.106109861284494	26	26	26
53	100%	1.982	2020-12-23	exams/td_note_2017.ipynb	1A.e - TD noté, 16 décembre 2016	True	2.9067938569933176	23	23	23
54	100%	1.671	2020-12-23	exams/td_note_2017_2.ipynb	1A.e - TD noté, 21 février 2017	True	2.647178253158927	21	21	21
55	100%	4.684	2020-12-23	exams/td_note_2018_1.ipynb	1A.e - Enoncé 12 décembre 2017 (1)	True	5.618073131889105	25	25	25
56	100%	3.691	2020-12-23	exams/td_note_2018_2.ipynb	1A.e - Enoncé 12 décembre 2017 (2)	True	4.588305700570345	21	21	21
57	100%	19.445	2020-12-23	exams/td_note_2019_1.ipynb	1A.e - Enoncé 23 octobre 2018 (1)	True	20.356428949162364	17	17	17
58	100%	8.752	2020-12-23	exams/td_note_2019_2.ipynb	1A.e - Enoncé 23 octobre 2018 (2)	True	9.64689644984901	18	18	18
59	100%	4.953	2020-12-23	exams/td_note_2020_1.ipynb	1A.e - Enoncé 22 octobre 2019 (1)	True	6.237111981958151	29	29	29
60	100%	4.161	2020-12-23	exams/td_note_2020_2.ipynb	1A.e - Enoncé 22 octobre 2019 (2)	True	5.187704773619771	28	28	28
61	100%	5.624	2020-12-23	exams/td_note_2021.ipynb	1A - Enoncé 24 novembre 2021	True	6.513560704886913	24	24	24
62	100%	19.219	2020-12-23	expose/BJKST.ipynb	2A.algo - Algorithmes de streaming : généralités	True	20.755396420136094	39	39	39
63	100%	4.102	2020-12-23	expose/expose_TSP.ipynb	2A.algo - Réflexions autour du voyage de commerce (TSP)	True	4.985412307083607	11	11	11
64	100%	1.483	2020-12-23	expose/expose_einstein_riddle.ipynb	2A.algo - L’énigme d’Einstein et sa résolution	True	3.894224502146244	4	4	4
65	100%	6.407	2020-12-23	expose/expose_graphe_et_map_reduce.ipynb	3A.mr - Graphes et Map Reduce	True	7.996671844273806	11	11	11
66	100%	0.700	2020-12-23	expose/expose_rwr_recommandation.ipynb	3A.mr - Random Walk with Restart (système de recommandations)	True	2.1270858235657215	4	4	4
67	100%	1.892	2020-12-23	expose/expose_vigenere.ipynb	1A.algo - Casser le code de Vigenère	True	2.867079071700573	9	9	9
68	100%	17.137	2020-12-23	expose/hash_distribution.ipynb	2A.algo - Hash et distribution	True	18.633886439725757	14	14	14
69	100%	22.565	2020-12-23	expose/ml_features_model.ipynb	2A.ml - Features ou modèle	True	24.035358166322112	15	15	15
70	100%	7.513	2020-12-23	expose/ml_huge_datasets.ipynb	2A.i - Huge datasets, datasets hiérarchiques	True	8.590654380619526	21	21	21
71	100%	626.031	2020-12-09	expose/ml_rue_paris_parcours.ipynb	2A.algo - Parcourir les rues de Paris	True	627.4762265495956	24	24	24
72	100%	175.259	2020-12-09	expose/ml_table_mortalite.ipynb	2A.i - Table de mortalité dans plusieurs containers	True	176.74017418362203	35	35	35
73	100%	2.570	2020-12-16	sklearn_ensae_course/00_introduction_machine_learning_and_data.ipynb	2A.ML101.0: What is machine learning?	True	3.8143910486251116	13	13	13
74	100%	2.483	2020-12-16	sklearn_ensae_course/01_data_manipulation.ipynb	2A.ML101.1: Introduction to data manipulation with scientific Python	True	3.3810701463371515	18	18	18
75	100%	3.393	2020-12-16	sklearn_ensae_course/02_basic_of_machine_learning_with_scikit-learn.ipynb	2A.ML101.2: Basic principles of machine learning with scikit-learn	True	4.3498998284339905	15	15	15
76	100%	6.976	2020-12-16	sklearn_ensae_course/03_supervised_classification.ipynb	2A.ML101.3: Supervised Learning: Classification of Handwritten Digits	True	7.959204548969865	12	12	12
77	100%	3.925	2020-12-16	sklearn_ensae_course/04_supervised_regression.ipynb	2A.ML101.4: Supervised Learning: Regression of Housing Data	True	4.848647344857454	12	12	12
78	100%	7.524	2020-12-16	sklearn_ensae_course/05_measuring_prediction_performance.ipynb	2A.ML101.5: Measuring prediction performance	True	8.449212476611137	23	23	23
79	100%	7.463	2020-12-16	sklearn_ensae_course/06_unsupervised_dimreduction.ipynb	2A.ML101.6: Unsupervised Learning: Dimensionality Reduction and Visualization	True	8.41798660159111	18	18	18
80	100%	6.557	2020-12-16	sklearn_ensae_course/07_application_to_face_recognition.ipynb	2A.ML101.7: Example from Image Processing	True	7.493706963956356	19	19	19
81	100%	4.094	2020-12-16	sklearn_ensae_course/08_validation_and_learning_curves.ipynb	2A.ML101.8: Parameter selection, Validation & Testing	True	5.041016140952706	15	15	15
82	100%	0.303	2020-12-23	td1a/integrale_rectangle.ipynb	1A.1 - Intégrale et la méthode des rectangles	True	1.2172423414885998	6	6	6
83	100%	3.025	2020-12-23	td1a/integrale_rectangle_correction.ipynb	1A.1 - Intégrale et la méthode des rectangles - correction	True	4.17777162976563	30	30	30
84	100%	0.206	2020-12-23	td1a/j2048.ipynb	1A.2 - 2048 - stratégie gagnante	True	1.7703052517026663	3	3	3
85	100%	0.961	2020-12-23	td1a/j2048_correction.ipynb	1A.2 - 2048 - stratégie gagnante - correction	True	1.8545883409678936	11	11	11
86	100%	18.530	2020-12-23	td1a/matrix_dictionary.ipynb	Produit matriciel avec une matrice creuse	True	19.94138126820326	20	20	20
87	100%	0.272	2020-12-23	td1a/pp_exo_deviner_un_nombre.ipynb	1A.1 - Deviner un nombre aléatoire	True	1.1809975858777761	5	5	5
88	100%	0.491	2020-12-23	td1a/pp_exo_deviner_un_nombre_correction.ipynb	1A.1 - Deviner un nombre aléatoire (correction)	True	1.8160720635205507	7	7	7
89	75%	1.020	2020-12-23	td1a/td1a_cenonce_session1.ipynb	1A.0 - Premiers pas en Python	True	2.399999348446727	16	12	12
90	100%	2.761	2020-12-23	td1a/td1a_cenonce_session2.ipynb	1A.1 - Variables, boucles, tests	True	3.699247434735298	30	30	30
91	100%	1.653	2020-12-23	td1a/td1a_cenonce_session3.ipynb	1A.1 - Dictionnaires, fonctions, code de Vigenère	True	2.859859412536025	26	26	26
92	100%	2.126	2020-12-23	td1a/td1a_cenonce_session4.ipynb	1A.2 - Modules, fichiers, expressions régulières	True	3.13259500823915	20	20	20
93	100%	1.278	2020-12-23	td1a/td1a_cenonce_session5.ipynb	1A.2 - Classes, méthodes, attributs, opérateurs et carré magique	True	2.19897591881454	17	17	17
94	100%	0.757	2020-12-23	td1a/td1a_cenonce_session6.ipynb	1A.2 - Classes, héritage	True	2.095701603218913	11	11	11
95	100%	0.943	2020-12-23	td1a/td1a_correction_session1.ipynb	1A.0 - Premiers pas en Python (correction)	True	2.1045541130006313	13	13	13
96	100%	0.660	2020-12-23	td1a/td1a_correction_session2.ipynb	1A.1 - Variables, boucles, tests (correction)	True	1.5638665053993464	8	8	8
97	100%	0.611	2020-12-23	td1a/td1a_correction_session3.ipynb	1A.1 - Dictionnaires, fonctions, code de Vigenère (correction)	True	1.5003398396074772	9	9	9
98	100%	2.390	2020-12-23	td1a/td1a_correction_session4.ipynb	1A.2 - Modules, fichiers, expressions régulières (correction)	True	3.2743201553821564	20	20	20
99	100%	9.863	2020-12-23	td1a/td1a_correction_session5.ipynb	1A.2 - Classes, méthodes, attributs, opérateurs et carré magique (correction)	True	11.262175176292658	12	12	12
100	100%	0.454	2020-12-23	td1a/td1a_correction_session6.ipynb	1A.2 - Classes, héritage (correction)	True	1.9880787376314402	5	5	5
101	100%	0.623	2020-12-23	td1a/td1a_pyramide_bigarree.ipynb	1A.1 - Tracer une pyramide bigarrée	True	1.7110699266195297	5	5	5
102	100%	1.428	2020-12-23	td1a/td1a_pyramide_bigarree_correction.ipynb	1A.1 - Tracer une pyramide bigarrée - correction	True	2.3280893620103598	11	11	11
103	100%	0.734	2020-12-23	td1a/texte_langue.ipynb	1A.2 - Deviner la langue d’un texte	True	2.0113735757768154	6	6	6
104	100%	4.456	2020-12-23	td1a/texte_langue_correction.ipynb	1A.2 - Deviner la langue d’un texte (correction)	True	5.326518753543496	23	23	23
105	100%	0.288	2020-12-23	td1a_algo/BJKST_enonce.ipynb	1A.algo - BJKST - calculer le nombre d’éléments distincts	True	1.2081826403737068	4	4	4
106	100%	2.411	2020-12-23	td1a_algo/graph1exo_parcours.ipynb	1A.algo - Parcours de graphe	True	3.6998871825635433	8	8	8
107	100%	1.129	2020-12-23	td1a_algo/graph1exo_parcours_correction.ipynb	1A.algo - Parcours de graphe - correction	True	2.2979091852903366	9	9	9
108	100%	0.553	2020-12-23	td1a_algo/graph4exos.ipynb	1A.algo - Des problèmes de graphes	True	1.4609954971820116	6	6	6
109	100%	0.700	2020-12-23	td1a_algo/graph_spectral_clustering.ipynb	1A.algo - Spectral Clustering	True	2.00271612778306	6	6	6
110	100%	1.209	2020-12-23	td1a_algo/graph_spectral_clustering_correction.ipynb	1A.algo - Spectral Clustering - correction	True	2.146484285593033	11	11	11
111	100%	0.117	2020-12-23	td1a_algo/td1a_cenonce_session4_5_jaccard.ipynb	1A.algo - distance de Jaccard (dictionnaires)	True	1.3781817946583033	4	4	4
112	100%	3.020	2020-12-23	td1a_algo/td1a_cenonce_session7.ipynb	1A.algo - Programmation dynamique et plus court chemin	True	3.939243532717228	17	17	17
113	100%	0.398	2020-12-23	td1a_algo/td1a_cenonce_session7_edition.ipynb	1A.algo - La distance d’édition	True	1.762898275628686	8	8	8
114	100%	0.293	2020-12-23	td1a_algo/td1a_cenonce_session8.ipynb	1A.algo - Arbre et Trie	True	1.7749008443206549	10	10	10
115	100%	0.097	2020-12-23	td1a_algo/td1a_cenonce_session8_wikiroot.ipynb	1A.algo - Parcours dans un graphe (wikipédia)	True	1.4117798060178757	4	4	4
116	100%	0.437	2020-12-23	td1a_algo/td1a_cenonce_session9.ipynb	1A.algo - Optimisation sous contrainte	True	1.3105228077620268	6	6	6
117	100%	4.205	2020-12-23	td1a_algo/td1a_correction_session4_5_jaccard.ipynb	1A.algo - distance de Jaccard (dictionnaires) - correction	True	5.1123780235648155	17	17	17
118	100%	4.436	2020-12-23	td1a_algo/td1a_correction_session7.ipynb	1A.algo - Programmation dynamique et plus court chemin (correction)	True	5.674652369692922	15	15	15
119	100%	1.735	2020-12-23	td1a_algo/td1a_correction_session7_edition.ipynb	1A.algo - La distance d’édition (correction)	True	2.6678103487938643	20	20	20
120	100%	52.513	2020-12-23	td1a_algo/td1a_correction_session8.ipynb	1A.algo - Arbre et Trie (correction)	True	53.71339441277087	20	20	20
121	100%	5.211	2020-12-23	td1a_algo/td1a_correction_session8_wikiroot.ipynb	1A.algo - Parcours dans un graphe (wikipédia) - correction	True	6.121362524107099	5	5	5
122	100%	1.101	2020-12-23	td1a_algo/td1a_correction_session9.ipynb	1A.algo - Optimisation sous contrainte (correction)	True	2.63405292481184	7	7	7
123	100%	0.000	2020-12-23	td1a_algo/td1a_plus_grande_somme.ipynb	1A.algo - la plus grande sous-séquence croissante	True	0.8852070681750774	1	1	1
124	100%	139.645	2020-12-23	td1a_algo/td1a_plus_grande_somme_correction.ipynb	1A.algo - la plus grande sous-séquence croissante - correction	True	140.90351588837802	10	10	10
125	87%	1.277	2020-12-23	td1a_algo/td1a_quicksort.ipynb	1A.algo - Quicksort	True	2.158875497058034	8	7	7
126	100%	2.130	2020-12-23	td1a_algo/td1a_quicksort_correction.ipynb	1A.algo - quicksort - correction	True	3.3762330897152424	10	10	10
127	100%	0.658	2020-12-23	td1a_algo/td1a_sobel.ipynb	1A.algo - filtre de Sobel	True	1.5389648228883743	6	6	6
128	100%	4.517	2020-12-23	td1a_algo/td1a_sobel_correction.ipynb	1A.algo - filtre de Sobel - correction	True	5.802423032000661	8	8	8
129	100%	0.095	2020-12-23	td1a_dfnp/decorrelation.ipynb	1A.data - Décorrélation de variables aléatoires	True	1.302770571783185	7	7	7
130	100%	1.171	2020-12-23	td1a_dfnp/decorrelation_correction.ipynb	1A.data - Décorrélation de variables aléatoires - correction	True	2.083033863455057	15	15	15
131	100%	5.316	2020-12-23	td1a_dfnp/td1a_cenonce_session_10.ipynb	1A.data - DataFrame et Matrice	True	6.723452055826783	51	51	51
132	100%	21.646	2020-12-23	td1a_dfnp/td1a_cenonce_session_12_carte.ipynb	1A.data - Visualisation des données - cartes	True	23.052087236195803	22	22	22
133	100%	5.663	2020-12-23	td1a_dfnp/td1a_cenonce_session_12_js.ipynb	1A.data - Visualisation des données - graphes interactifs	True	6.751670839264989	9	9	9
134	87%	18.599	2020-12-23	td1a_dfnp/td1a_cenonce_session_12_plot.ipynb	1A.data - Visualisation des données	True	19.577898770570755	16	14	14
135	100%	6.288	2020-12-23	td1a_dfnp/td1a_correction_session_10.ipynb	1A.data - DataFrame et Matrice (correction)	True	7.338615566492081	18	18	18
136	100%	29.118	2020-12-23	td1a_dfnp/td1a_correction_session_12.ipynb	1A.data - visualisation des données - correction	True	30.39456583932042	14	14	14
137	100%	10.755	2020-12-23	td1a_home/2020_carte.ipynb	Tech - carte	True	11.644493943080306	23	23	23
138	100%	11.575	2020-12-23	td1a_home/2020_covid.ipynb	Algo - simulation COVID	True	12.498124619945884	30	30	30
139	100%	1.335	2020-12-23	td1a_home/2020_edit.ipynb	Algo - distance d’édiction	True	2.365357568487525	15	15	15
140	100%	6.437	2020-12-23	td1a_home/2020_graph.ipynb	Algo - Graphe - Composantes connexes	True	7.348020588979125	15	15	15
141	100%	5.444	2020-12-23	td1a_home/2020_json_xml.ipynb	Tech - JSON - XML	True	6.387979680672288	45	45	45
142	100%	45.159	2020-12-23	td1a_home/2020_numpy.ipynb	Tech - calcul matriciel avec numpy	True	46.77796580083668	35	35	35
143	100%	1.270	2020-12-23	td1a_home/2020_ordonnancement.ipynb	Algo - Problème d’ordonnancement	True	2.207588253542781	11	11	11
144	100%	9.144	2020-12-23	td1a_home/2020_pandas.ipynb	Tech - manipulation de données avec pandas	True	10.157992282882333	64	64	64
145	100%	10.513	2020-12-23	td1a_home/2020_profile.ipynb	Tech - profiling	True	11.438171215355396	18	18	18
146	100%	1.173	2020-12-23	td1a_home/2020_regex.ipynb	Tech - expressions régulières	True	2.07508903183043	14	14	14
147	100%	5.058	2020-12-23	td1a_home/2020_rest.ipynb	Tech - API REST pour deep learning avec FastAPI	True	6.055343819782138	28	28	28
148	100%	1.159	2020-12-23	td1a_home/2020_suffix.ipynb	Algo - jeux de dictionnaires, plus grand suffix commun	True	2.070795441046357	13	13	13
149	100%	4.250	2020-12-23	td1a_home/2020_surface.ipynb	Algo - Calculs de surface et autres calculs	True	5.129657007753849	16	16	16
150	100%	19.589	2020-12-23	td1a_home/2020_topk.ipynb	Algo - les k premiers éléments	True	20.486376533284783	32	32	32
151	100%	2.303	2020-12-23	td1a_home/2020_tsp.ipynb	Algo - TSP - Traveling Salesman Problem	True	3.176686340942979	14	14	14
152	100%	4.669	2020-12-23	td1a_soft/td1a_cython_edit.ipynb	1A.soft - Calcul numérique et Cython	True	5.607270346954465	15	15	15
153	100%	1.811	2020-12-23	td1a_soft/td1a_cython_edit_correction.ipynb	1A.soft - Calcul numérique et Cython - correction	True	3.7482851948589087	8	8	8
154	100%	59.248	2020-12-23	td1a_soft/td1a_sql.ipynb	1A.soft - Notions de SQL	True	60.174370834603906	34	34	34
155	100%	54.342	2020-12-23	td1a_soft/td1a_sql_correction.ipynb	1A.soft - Notions de SQL - correction	True	55.31640422344208	15	15	15
156	100%	6.420	2020-12-23	td1a_soft/td1a_unit_test_ci.ipynb	1A.soft - Tests unitaires, setup et ingéniérie logicielle	True	7.358993487432599	14	14	14
157	100%	1.220	2020-12-23	td2a/ml_crypted_data.ipynb	2A.ml - Machine Learning et données cryptées	True	2.146075237542391	9	9	9
158	100%	7.419	2020-12-23	td2a/ml_crypted_data_correction.ipynb	2A.ml - Machine Learning et données cryptées - correction	True	8.965017026290298	38	38	38
159	100%	1.152	2020-12-23	td2a/pandas_iterator.ipynb	2A.data - Pandas et itérateurs	True	2.1479944232851267	8	8	8
160	100%	2.344	2020-12-23	td2a/pandas_iterator_correction.ipynb	2A.data - Pandas et itérateurs - correction	True	3.917683459818363	19	19	19
161	100%	0.115	2020-12-23	td2a/td2a_bigdata_memory.ipynb	2A.i - Stratégies et grandes matrices en mémoire	True	1.587170947343111	8	8	8
162	96%	22.824	2020-12-23	td2a/td2a_cenonce_session_1.ipynb	2A.data - DataFrame et Graphes	True	23.89178466796875	75	72	72
163	100%	5.748	2020-12-23	td2a/td2a_cenonce_session_2A.ipynb	2A.data - Calcul Matriciel, Optimisation	True	6.771011833101511	71	71	71
164	100%	0.346	2020-12-23	td2a/td2a_cenonce_session_2C.ipynb	2A.soft - Jupyter et commandes magiques	True	1.3065812215209007	5	5	5
165	0%	nan		td2a/td2a_cenonce_session_2D_jupyter.ipynb	2A.i - Jupyter et calcul distribué		nan	72	0
166	0%	nan		td2a/td2a_cenonce_session_2D_parallelisation_local.ipynb	2A.i - Parallélisation locale (énoncé)		nan	7	0
167	100%	0.626	2020-12-23	td2a/td2a_cenonce_session_2E.ipynb	2A.i - Sérialisation	True	1.5323790106922388	8	8	8
168	100%	1.535	2020-12-23	td2a/td2a_cenonce_session_5.ipynb	2A.i - Modèle relationnel, analyse d’incidents dans le transport aérien	True	2.464765537530184	20	20	20
169	100%	8.667	2020-12-23	td2a/td2a_cenonce_session_5_donnees_non_structurees_et_programmation_fonctionnelle.ipynb	2A.i - Données non structurées et programmation fonctionnelle	True	9.590998703613877	30	30	30
170	96%	16.559	2020-12-23	td2a/td2a_correction_session_1.ipynb	2A.data - DataFrame et Graphes - correction	True	17.503959039226174	27	26	26
171	100%	3.863	2020-12-16	td2a/td2a_correction_session_2A.ipynb	2A.data - Calcul Matriciel, Optimisation - correction	True	4.842431562021375	13	13	13
172	100%	1.092	2020-12-16	td2a/td2a_correction_session_2C.ipynb	2A.soft - IPython et commandes magiques - correction	True	2.0256183315068483	6	6	6
173	100%	12.199	2020-12-16	td2a/td2a_correction_session_2E.ipynb	2A.i - Sérialisation - correction	True	14.156203811988235	22	22	22
174	100%	0.463	2020-12-23	td2a/td2a_correction_session_5.ipynb	2A.i - Modèle relationnel, analyse d’incidents dans le transport aérien - correction	True	1.3660593908280134	3	3	3
175	100%	22.022	2020-12-23	td2a/td2a_correction_session_5_donnees_non_structurees_et_programmation_fonctionnelle_corrige.ipynb	2A.i - Données non structurées, programmation fonctionnelle - correction	True	22.986241230741143	33	33	33
176	100%	3.897	2020-12-23	td2a/td2a_ml_text_features.ipynb	2A.ml - Classification binaire avec features textuelles	True	4.772276218980551	18	18	18
177	100%	13.319	2020-12-23	td2a/td2a_ml_text_features_correction.ipynb	2A.ml - Classification binaire avec features textuelles - correction	True	15.902124730870128	23	23	23
178	100%	12.166	2020-12-23	td2a/td2a_progressbar.ipynb	2A.i - ProgressBar et fusion de random forest - énoncé	True	13.362706551328301	6	6	6
179	100%	20.827	2020-12-23	td2a/td2a_some_nlp.ipynb	2A.ml - Texte et machine learning	True	21.81791285984218	36	36	36
180	90%	33.992	2020-12-23	td2a/td2a_visualisation.ipynb	2A.data - Matplotlib	True	35.45010739006102	42	38	38
181	100%	0.116	2020-12-23	td2a_algo/gentry_integer_encryption.ipynb	Cryptage homomorphic de Craig Gentry	True	1.420279273763299	6	6	6
182	100%	0.270	2020-12-23	td2a_algo/gentry_integer_encryption_correction.ipynb	Cryptage homomorphic de Craig Gentry - correction	True	5.736113704741001	6	6	6
183	100%	13.129	2020-12-23	td2a_algo/knn_high_dimension.ipynb	2A.algo - Plus proches voisins en grande dimension	True	14.165097756311297	8	8	8
184	100%	31.066	2020-12-23	td2a_algo/knn_high_dimension_correction.ipynb	2A.algo - Plus proches voisins en grande dimension - correction	True	31.989277333021164	20	20	20
185	100%	0.153	2020-12-23	td2a_algo/td2a_cenonce_session_6A.ipynb	2A.algo - Puzzles algorithmiques (1)	True	1.0810949001461267	6	6	6
186	100%	0.113	2020-12-23	td2a_algo/td2a_cenonce_session_6B.ipynb	2A.algo - Puzzles algorithmiques (2)	True	1.0507665947079659	5	5	5
187	100%	0.765	2020-12-23	td2a_algo/td2a_correction_session_6A.ipynb	2A.algo - Puzzles algorithmes (1) - correction	True	2.409555906429887	6	6	6
188	100%	0.187	2020-12-23	td2a_algo/td2a_correction_session_6B.ipynb	2A.algo - Puzzles algorithmes (2) - correction	True	1.4498729072511196	6	6	6
189	0%	nan		td2a_eco/TD2A_Eco_Web_Scraping.ipynb	2A.eco - Web-Scraping		nan	62	0
190	100%	8.824	2020-12-23	td2a_eco/TD2A_Eco_Web_Scraping_corrige.ipynb	2A.eco - Web-Scraping - correction	True	10.50174161978066	6	6	6
191	100%	1.285	2020-12-23	td2a_eco/TD2A_eco_API_SNCF.ipynb	2A.eco - Exercice API SNCF	True	2.2656524553894997	11	11	11
192	100%	30.136	2020-12-23	td2a_eco/TD2A_eco_API_SNCF_corrige.ipynb	2A.eco - Exercice API SNCF corrigé	True	31.735888184979558	40	40	40
193	100%	1.978	2020-12-23	td2a_eco/TD2A_eco_debuter_flask.ipynb	2A.eco - Débuter avec Flask	True	3.1127346586436033	14	14	14
194	100%	2.993	2020-12-23	td2a_eco/TD2A_eco_les_API.ipynb	2A.eco - API, API REST	True	3.880801059305668	15	15	15
195	100%	2.432	2020-12-23	td2a_eco/td2_eco_rappels_1a.ipynb	2A.eco - Rappel de ce que vous savez déjà mais avez peut-être oublié	True	3.354757035151124	29	29	29
196	100%	7.007	2020-12-23	td2a_eco/td2a_TD5_Traitement_automatique_des_langues_en_Python.ipynb	2A.eco - Traitement automatique de la langue en Python	True	8.152366802096367	34	34	34
197	100%	8.412	2020-12-23	td2a_eco/td2a_TD5_Traitement_automatique_des_langues_en_Python_correction.ipynb	2A.eco - Traitement automatique de la langue en Python - correction	True	9.331160081550479	35	35	35
198	100%	0.000	2020-12-23	td2a_eco/td2a_eco_exercice_de_fin_de_seance.ipynb	2A.eco - Exercice Python - Eco Séance 2	True	0.8827924262732267	1	1	1
199	100%	0.464	2020-12-23	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	1.3260243721306324	3	3	3
200	100%	1.180	2020-12-23	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	2.0811178144067526	10	10	10
201	100%	2.582	2020-12-23	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	3.5487461667507887	16	16	16
202	100%	2.625	2020-12-23	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	4.1067392230033875	14	14	14
203	100%	7.918	2020-12-23	td2a_eco/td2a_eco_regressions_lineaires.ipynb	Régressions linéaires avec Statsmodels et Scikit-Learn	True	8.85516264103353	12	12	12
204	100%	2.632	2020-12-23	td2a_eco/td2a_eco_sql.ipynb	2A.eco - Python et la logique SQL	True	4.042392799630761	26	26	26
205	100%	3.580	2020-12-23	td2a_eco/td2a_eco_sql_correction.ipynb	2A.eco - Python et la logique SQL - correction	True	4.507816081866622	36	36	36
206	100%	14.099	2020-12-23	td2a_eco2/td2a_Seance_7_Analyse_de_textes.ipynb	TD7 - Analyse de texte	True	15.12916947901249	29	29	29
207	100%	8.806	2020-12-23	td2a_eco2/td2a_Seance_7_Analyse_de_textes_correction.ipynb	TD7 - Analyse de texte - correction	True	9.78812451660633	29	29	29
208	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
209	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
210	100%	408.711	2020-12-09	td2a_eco2/td2a_eco_NLP_tf_idf_ngrams_LDA_word2vec_sur_des_extraits_litteraires.ipynb	2A.eco - Introduction au text mining	True	410.43595899455255	69	69	69
211	100%	96.980	2020-12-23	td2a_ml/gradient_boosting.ipynb	Gradient Boosting	True	97.94409131072462	37	37	37
212	100%	140.284	2020-12-16	td2a_ml/ml_a_tree_overfitting.ipynb	2A.ml - Tree, hyperparamètres, overfitting	True	142.06810918822885	28	28	28
213	100%	45.288	2020-12-23	td2a_ml/ml_b_imbalanced.ipynb	2A.ml - Imbalanced dataset	True	46.19633130170405	22	22	22
214	100%	5.924	2020-12-16	td2a_ml/ml_c_machine_learning_problems.ipynb	2A.ml - Problèmes classiques de machine learning illustrés	True	6.928887814283371	41	41	41
215	100%	0.266	2020-12-16	td2a_ml/ml_cc_machine_learning_problems2.ipynb	2A.ml - Boosting, random forest, gradient - les features qu’ils aiment	True	1.1863275468349457	4	4	4
216	100%	3.602	2020-12-16	td2a_ml/ml_ccc_machine_learning_interpretabilite.ipynb	2A.ml - Interprétabilité et corrélations des variables	True	5.382040470838547	26	26	26
217	100%	35.053	2020-12-23	td2a_ml/ml_lasso_rf_grid_search_correction.ipynb	Hyperparamètres, LassoRandomForestRregressor et grid_search (correction)	True	35.93583497218788	15	15	15
218	100%	1.176	2020-12-23	td2a_ml/ml_lasso_rf_grid_search_enonce.ipynb	Hyperparamètres, LassoRandomForestRregressor et grid_search (énoncé)	True	2.3940692227333784	4	4	4
219	100%	0.670	2020-12-23	td2a_ml/ml_scikit_learn_simple.ipynb	Rappels sur scikit-learn et le machine learning	True	1.5600834172219038	12	12	12
220	100%	4.576	2020-12-23	td2a_ml/ml_scikit_learn_simple_correction.ipynb	Rappels sur scikit-learn et le machine learning (correction)	True	5.421392414718866	21	21	21
221	100%	7.958	2020-12-23	td2a_ml/seasonal_timeseries.ipynb	Timeseries	True	8.844817662611604	42	42	42
222	100%	231.730	2020-12-23	td2a_ml/td2a_cenonce_session_3A.ipynb	2A.ml - Statistiques descriptives avec scikit-learn	True	239.05620665475726	18	18	18
223	100%	54.637	2020-12-23	td2a_ml/td2a_cenonce_session_3B.ipynb	2A.ml - Arbres de décision / Random Forest	True	61.78276861645281	16	16	16
224	100%	1.056	2020-12-23	td2a_ml/td2a_cenonce_session_4A.ipynb	2A.ml - Machine Learning et Marketting	True	2.6347363740205765	9	9	9
225	100%	0.945	2020-12-23	td2a_ml/td2a_clustering.ipynb	2A.ml - Clustering	True	2.294833781197667	6	6	6
226	100%	14.222	2020-12-23	td2a_ml/td2a_clustering_correction.ipynb	2A.ml - Clustering - correction	True	15.119930237531662	25	25	25
227	100%	17.039	2020-12-23	td2a_ml/td2a_correction_cl_reg_anomaly.ipynb	2A.data - Classification, régression, anomalies - correction	True	18.32893692329526	33	33	33
228	100%	277.282	2020-12-23	td2a_ml/td2a_correction_session_3A.ipynb	2A.ml - Statistiques descriptives avec scikit-learn - correction	True	278.79558822885156	24	24	24
229	100%	119.649	2020-12-23	td2a_ml/td2a_correction_session_3B.ipynb	2A.ml - Arbres de décision / Random Forest - correction	True	124.30506495200098	26	26	26
230	100%	9.605	2020-12-23	td2a_ml/td2a_correction_session_4A.ipynb	2A.ml - Machine Learning et Marketting - correction	True	11.157725295051932	26	26	26
231	100%	1.591	2020-12-23	td2a_ml/td2a_enonce_cl_reg_anomaly.ipynb	2A.data - Classification, régression, anomalies - énoncé	True	2.465835066512227	9	9	9
232	96%	7.521	2020-12-23	td2a_ml/td2a_ethics.ipynb	Machine Learning éthique	True	8.437881475314498	31	30	30
233	100%	0.093	2020-12-23	td2a_ml/td2a_ethics_correction.ipynb	Machine Learning éthique - correction	True	0.9717430230230093	2	2	2
234	100%	9.700	2020-12-23	td2a_ml/td2a_pipeline_tree_selection_correction.ipynb	2A.ml - Pipeline pour un réduction d’une forêt aléatoire - correction	True	12.082350654527545	24	24	24
235	100%	1.758	2020-12-23	td2a_ml/td2a_pipeline_tree_selection_enonce.ipynb	2A.ml - Pipeline pour un réduction d’une forêt aléatoire - énoncé	True	2.7122877966612577	11	11	11
236	100%	0.725	2020-12-23	td2a_ml/td2a_sentiment_analysis.ipynb	2A.ml - Analyse de sentiments	True	1.6510950457304716	6	6	6
237	100%	77.134	2020-12-23	td2a_ml/td2a_sentiment_analysis_correction.ipynb	2A.ml - Analyse de sentiments - correction	True	78.07505190558732	44	44	44
238	100%	1.524	2020-12-23	td2a_ml/td2a_timeseries.ipynb	2A.ml - Séries temporelles	True	2.3887054175138474	15	15	15
239	100%	3.434	2020-12-23	td2a_ml/td2a_timeseries_correction.ipynb	2A.ml - Séries temporelles - correction	True	4.348728707060218	15	15	15
240	100%	27.372	2020-12-23	td2a_ml/td2a_tree_selection_correction.ipynb	2A.ml - Réduction d’une forêt aléatoire - correction	True	28.28010148741305	19	19	19
241	100%	1.167	2020-12-23	td2a_ml/td2a_tree_selection_enonce.ipynb	2A.ml - Réduction d’une forêt aléatoire - énoncé	True	2.1280222199857235	8	8	8