Notebooks Coverage

Report on last executions.

91% 2019-12-06

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