Notebooks Coverage

Report on last executions.

39% 2018-12-11

index	coverage	exe time	last execution	name	title	success	time	nb cells	nb runs	nb valid
0	100%	14.516	2018-12-05	1a/code_liste_tuple.ipynb	1A.1 - Liste, tuple, ensemble, dictionnaire, liste chaînée, coût des opérations	True	324.930	4	4	4
1	100%	4.756	2018-12-05	1a/code_multinomial.ipynb	1A.1 - Simuler une loi multinomiale	True	10.099	12	12	12
2	100%	0.199	2018-12-05	1a/exercice_echelle.ipynb	1A.algo - Calculer le nombre de façons de monter une échelle.	True	16.078	6	6	6
3	100%	0.081	2018-12-05	1a/exercice_morse.ipynb	1A.algo - Décoder du Morse sans espaces	True	4.087	4	4	4
4	100%	1.297	2018-12-05	1a/exercice_plus_grande_somme.ipynb	1A.algo - La sous-séquence de plus grande somme	True	6.100	15	15	15
5	100%	0.113	2018-12-05	1a/exercice_xn.ipynb	1A.algo - Calculer x**n le plus rapidement possible	True	5.082	4	4	4
6	100%	0.256	2018-12-05	1a/histogramme_rapide.ipynb	1A.1 - Histogramme et dictionnaire	True	5.076	8	8	8
7	100%	5.963	2018-12-05	1a/profiling_example.ipynb	1A.soft - Exemple de profiling	True	11.139	11	11	11
8	100%	1.449	2018-12-05	1a/recherche_dichotomique.ipynb	1A.algo - Recherche dichotomique	True	5.095	9	9	9
9	100%	1.666	2018-12-05	1a/structures_donnees_conversion.ipynb	1A.1 - D’une structure de données à l’autre	True	7.109	29	29	29
10	100%	0.757	2018-12-05	1a/tableau_contingence.ipynb	1A.1 - Calculer un chi 2 sur un tableau de contingence	True	6.094	8	8	8
11	100%	31.598	2018-12-05	1a/tri_nlnd.ipynb	1A.algo - Tri plus rapide que prévu	True	36.138	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	0%	nan		2016-2017/solution_2016_credit_clement.ipynb	2016 - Une solution à la compétition de machine learning 2A		nan	29	0
16	100%	6.117	2018-11-21	2016/td2a_eco_competition_comparer_classifieurs.ipynb	2A.ml - 2016 - Compétition - Préparation des données	True	11.094	16	16	16
17	100%	7.938	2018-11-21	2016/td2a_eco_competition_modeles_logistiques.ipynb	2A.ml - 2016 - Compétition ENSAE - Premiers modèles	True	12.130	26	26	26
18	100%	146.607	2018-11-21	2016/td2a_eco_competition_statsdesc.ipynb	2A.ml - 2016 - Compétition - Importation des données	True	151.325	22	22	22
19	100%	7.507	2018-12-05	2017-2018/dimensions_reduction.ipynb	Réduction des dimensions	True	12.099	20	20	20
20	100%	7.370	2018-12-05	2017/prepare_data_2017.ipynb	2A.ml - 2017 - Préparation des données	True	12.140	43	43	43
21	89%	0.678	2018-12-05	2018-2019/2018-09-18_rappels_python.ipynb	2018-09-18 - Rappels sur le langage python	True	6.061	28	25	25
22	100%	2.496	2018-12-05	2018-2019/2018-09-18_rappels_python_pandas_matplotlib.ipynb	2018-09-18 - Rappels sur pandas et maplotlib	True	7.105	29	29	29
23	100%	2.749	2018-12-05	2018-2019/2018-09-18_sklearn_api.ipynb	2018-09-18 - API de scikit-learn	True	8.104	21	21	21
24	100%	0.322	2018-12-05	2018-2019/2018-09-25_distance_entre_mots.ipynb	2018-09-25 - Distance entre mots	True	5.081	11	11	11
25	0%	nan		2018-2019/2018-10-02_scraping_recuperer_images.ipynb	2018-10-02 - Scraping, récupérer une image depuis LeMonde		nan	28	0
26	0%	nan		2018-2019/2018-10-09_ensemble_gradient_boosting.ipynb	2018-10-09 Ensemble, Gradient, Boosting…		nan	24	0
27	100%	5.514	2018-12-05	2a/bayesian_with_python.ipynb	2A.ml - Bayesian models with Python	True	13.123	18	18	18
28	0%	nan		2a/cffi_linear_regression.ipynb	Optimisation de code avec cffi, numba, cython		nan	158	0
29	100%	2.185	2018-12-05	2a/dataframe_matrix_speed.ipynb	2A.i - Mesures de vitesse sur les dataframes	True	7.082	15	15	15
30	0%	nan		2a/git_notebook.ipynb	2A.soft - Git depuis le notebook		nan	49	0
31	100%	1.061	2018-12-05	2a/jupyter_custom_magics.ipynb	2A.soft - Custom Magics for Jupyter	True	8.099	5	5	5
32	100%	9.581	2018-12-05	2a/ml_timeseries_base.ipynb	2A.ml - Timeseries et machine learning	True	16.166	28	28	28
33	100%	2.675	2018-12-05	2a/notebook_convert.ipynb	2A.soft - Convert a notebook into a document	True	8.100	8	8	8
34	100%	7.985	2018-11-21	2a/python_r.ipynb	2A.soft - R et notebooks	True	13.253	17	17	17
35	100%	188.689	2018-12-05	2a/seance_5_dask.ipynb	2A.i - Données non structurées, programmation fonctionnelle : dask	True	194.586	16	16	16
36	100%	40.824	2018-12-05	2a/seance_5_intro_et_json.ipynb	2A.i - Données non structurées, programmation fonctionnelle	True	48.158	20	20	20
37	100%	154.527	2018-12-05	2a/seance_5_prog_fonctionnelle.ipynb	2A.i - programmation fonctionnelle	True	160.264	44	44	44
38	100%	19.629	2018-12-05	2a/timeseries_ssa.ipynb	Single Spectrum Analysis (SSA)	True	25.152	27	27	27
39	100%	0.357	2018-12-05	exams/interro_rapide_20_minutes_2014_09.ipynb	1A.e - Correction de l’interrogation écrite du 26 septembre 2014	True	6.091	12	12	12
40	100%	1.391	2018-12-05	exams/interro_rapide_20_minutes_2014_10.ipynb	1A.e - Correction de l’interrogation écrite du 10 octobre 2014	True	6.104	17	17	17
41	0%	nan		exams/interro_rapide_20_minutes_2014_11.ipynb	1A.e - Correction de l’interrogation écrite du 14 novembre 2014		nan	69	0
42	100%	0.424	2018-12-05	exams/interro_rapide_20_minutes_2014_12.ipynb	1A.e - Correction de l’interrogation écrite du 14 novembre 2014	True	6.089	15	15	15
43	100%	0.242	2018-12-05	exams/interro_rapide_20_minutes_2015_09.ipynb	1A.e - Correction de l’interrogation écrite du 26 septembre 2015	True	5.088	12	12	12
44	100%	0.348	2018-12-05	exams/interro_rapide_20_minutes_2015_11.ipynb	1A.e - Correction de l’interrogation écrite du 6 novembre 2015	True	6.091	16	16	16
45	100%	13.092	2018-12-05	exams/td_note_2013_bout_de_code_coloriage.ipynb	1A.e - TD noté, 27 novembre 2012 (éléments de code pour le coloriage)	True	20.126	6	6	6
46	100%	36.290	2018-12-05	exams/td_note_2013_coloriage_correction.ipynb	1A.e - TD noté, 27 novembre 2012 (coloriage, correction)	True	42.173	14	14	14
47	100%	1.154	2018-12-05	exams/td_note_2015.ipynb	1A.e - TD noté, 5 décembre 2014	True	6.095	36	36	36
48	100%	0.085	2018-12-05	exams/td_note_2015_rattrapage_enonce.ipynb	1A.e - TD noté 2015 rattrapage (énoncé, écrit et oral)	True	5.081	6	6	6
49	100%	4.520	2018-12-05	exams/td_note_2016.ipynb	1A.e - TD noté, 11 décembre 2015	True	9.118	26	26	26
50	100%	1.411	2018-12-05	exams/td_note_2017.ipynb	1A.e - TD noté, 16 décembre 2016	True	6.099	23	23	23
51	100%	0.820	2018-12-05	exams/td_note_2017_2.ipynb	1A.e - TD noté, 21 février 2017	True	5.095	21	21	21
52	100%	7.243	2018-12-05	exams/td_note_2018_1.ipynb	1A.e - Enoncé 12 décembre 2017 (1)	True	12.117	25	25	25
53	100%	7.766	2018-12-05	exams/td_note_2018_2.ipynb	1A.e - Enoncé 12 décembre 2017 (2)	True	13.105	21	21	21
54	100%	12.906	2018-12-05	exams/td_note_2019_1.ipynb	1A.e - Enoncé 23 octobre 2018 (1)	True	19.114	15	15	15
55	100%	4.933	2018-12-05	exams/td_note_2019_2.ipynb	1A.e - Enoncé 23 octobre 2018 (2)	True	20.110	16	16	16
56	100%	23.646	2018-12-05	expose/BJKST.ipynb	2A.algo - Algorithmes de streaming : généralités	True	28.091	39	39	39
57	100%	7.994	2018-12-05	expose/expose_TSP.ipynb	2A.algo - Réflexions autour du voyage de commerce (TSP)	True	13.105	11	11	11
58	100%	1.949	2018-12-05	expose/expose_einstein_riddle.ipynb	2A.algo - L’énigme d’Einstein et sa résolution	True	6.091	4	4	4
59	100%	2.434	2018-12-05	expose/expose_graphe_et_map_reduce.ipynb	3A.mr - Graphes et Map Reduce	True	7.109	11	11	11
60	100%	0.458	2018-12-05	expose/expose_rwr_recommandation.ipynb	3A.mr - Random Walk with Restart (système de recommandations)	True	5.083	4	4	4
61	100%	1.805	2018-12-05	expose/expose_vigenere.ipynb	1A.algo - Casser le code de Vigenère	True	7.095	9	9	9
62	100%	34.425	2018-12-05	expose/hash_distribution.ipynb	2A.algo - Hash et distribution	True	39.152	14	14	14
63	100%	5.113	2018-12-05	expose/ml_features_model.ipynb	2A.ml - Features ou modèle	True	10.133	15	15	15
64	0%	nan		expose/ml_huge_datasets.ipynb	2A.i - Huge datasets, datasets hiérarchiques		nan	30	0
65	100%	883.633	2018-12-05	expose/ml_rue_paris_parcours.ipynb	2A.algo - Parcourir les rues de Paris	True	889.405	24	24	24
66	100%	244.406	2018-12-05	expose/ml_table_mortalite.ipynb	2A.i - Table de mortalité dans plusieurs containers	True	249.671	34	34	34
67	0%	nan		sklearn_ensae_course/00_introduction_machine_learning_and_data.ipynb	2A.ML101.0: What is machine learning?		nan	33	0
68	0%	nan		sklearn_ensae_course/01_data_manipulation.ipynb	2A.ML101.1: Introduction to data manipulation with scientific Python		nan	30	0
69	0%	nan		sklearn_ensae_course/02_basic_of_machine_learning_with_scikit-learn.ipynb	2A.ML101.2: Basic principles of machine learning with scikit-learn		nan	37	0
70	0%	nan		sklearn_ensae_course/03_supervised_classification.ipynb	2A.ML101.3: Supervised Learning: Classification of Handwritten Digits		nan	27	0
71	0%	nan		sklearn_ensae_course/04_supervised_regression.ipynb	2A.ML101.4: Supervised Learning: Regression of Housing Data		nan	25	0
72	0%	nan		sklearn_ensae_course/05_measuring_prediction_performance.ipynb	2A.ML101.5: Measuring prediction performance		nan	55	0
73	0%	nan		sklearn_ensae_course/06_unsupervised_dimreduction.ipynb	2A.ML101.6: Unsupervised Learning: Dimensionality Reduction and Visualization		nan	38	0
74	0%	nan		sklearn_ensae_course/07_application_to_face_recognition.ipynb	2A.ML101.7: Example from Image Processing		nan	42	0
75	0%	nan		sklearn_ensae_course/08_validation_and_learning_curves.ipynb	2A.ML101.8: Parameter selection, Validation & Testing		nan	44	0
76	0%	nan		td1a/integrale_rectangle.ipynb	1A.1 - Intégrale et la méthode des rectangles		nan	14	0
77	100%	3.714	2018-12-05	td1a/integrale_rectangle_correction.ipynb	1A.1 - Intégrale et la méthode des rectangles - correction	True	8.112	30	30	30
78	0%	nan		td1a/j2048.ipynb	1A.2 - 2048 - stratégie gagnante		nan	6	0
79	100%	1.680	2018-12-05	td1a/j2048_correction.ipynb	1A.2 - 2048 - stratégie gagnante - correction	True	6.097	11	11	11
80	0%	nan		td1a/matrix_dictionary.ipynb	Produit matriciel avec une matrice creuse		nan	36	0
81	0%	nan		td1a/pp_exo_deviner_un_nombre.ipynb	1A.1 - Deviner un nombre aléatoire		nan	9	0
82	0%	nan		td1a/pp_exo_deviner_un_nombre_correction.ipynb	1A.1 - Deviner un nombre aléatoire (correction)		nan	11	0
83	0%	nan		td1a/td1a_cenonce_session1.ipynb	1A.0 - Premiers pas en Python		nan	35	0
84	100%	0.914	2018-12-05	td1a/td1a_cenonce_session2.ipynb	1A.1 - Variables, boucles, tests	True	6.059	30	30	30
85	100%	0.582	2018-12-05	td1a/td1a_cenonce_session3.ipynb	1A.1 - Dictionnaires, fonctions, code de Vigenère	True	5.091	26	26	26
86	100%	2.095	2018-12-05	td1a/td1a_cenonce_session4.ipynb	1A.2 - Modules, fichiers, expressions régulières	True	7.109	20	20	20
87	100%	0.444	2018-12-05	td1a/td1a_cenonce_session5.ipynb	1A.2 - Classes, méthodes, attributs, opérateurs et carré magique	True	5.076	17	17	17
88	0%	nan		td1a/td1a_cenonce_session6.ipynb	1A.2 - Classes, héritage		nan	24	0
89	100%	0.359	2018-12-05	td1a/td1a_correction_session1.ipynb	1A.0 - Premiers pas en Python (correction)	True	7.087	13	13	13
90	100%	0.334	2018-12-05	td1a/td1a_correction_session2.ipynb	1A.1 - Variables, boucles, tests (correction)	True	5.098	8	8	8
91	100%	0.288	2018-12-05	td1a/td1a_correction_session3.ipynb	1A.1 - Dictionnaires, fonctions, code de Vigenère (correction)	True	6.090	9	9	9
92	100%	2.473	2018-12-05	td1a/td1a_correction_session4.ipynb	1A.2 - Modules, fichiers, expressions régulières (correction)	True	7.110	20	20	20
93	100%	15.829	2018-12-05	td1a/td1a_correction_session5.ipynb	1A.2 - Classes, méthodes, attributs, opérateurs et carré magique (correction)	True	21.091	12	12	12
94	0%	nan		td1a/td1a_correction_session6.ipynb	1A.2 - Classes, héritage (correction)		nan	10	0
95	0%	nan		td1a/td1a_pyramide_bigarree.ipynb	1A.1 - Tracer une pyramide bigarrée		nan	9	0
96	100%	3.509	2018-12-05	td1a/td1a_pyramide_bigarree_correction.ipynb	1A.1 - Tracer une pyramide bigarrée - correction	True	9.110	11	11	11
97	0%	nan		td1a/texte_langue.ipynb	1A.2 - Deviner la langue d’un texte		nan	13	0
98	100%	7.498	2018-12-05	td1a/texte_langue_correction.ipynb	1A.2 - Deviner la langue d’un texte (correction)	True	12.108	23	23	23
99	100%	1.006	2018-12-05	td1a_algo/BJKST_enonce.ipynb	1A.algo - BJKST - calculer le nombre d’éléments distincts	True	5.103	4	4	4
100	100%	2.189	2018-12-05	td1a_algo/graph1exo_parcours.ipynb	1A.algo - Parcours de graphe	True	7.105	8	8	8
101	0%	nan		td1a_algo/graph1exo_parcours_correction.ipynb	1A.algo - Parcours de graphe - correction		nan	15	0
102	100%	1.597	2018-12-05	td1a_algo/graph4exos.ipynb	1A.algo - Des problèmes de graphes	True	8.106	6	6	6
103	100%	1.854	2018-12-05	td1a_algo/graph_spectral_clustering.ipynb	1A.algo - Spectral Clustering	True	7.105	6	6	6
104	0%	nan		td1a_algo/graph_spectral_clustering_correction.ipynb	1A.algo - Spectral Clustering - correction		nan	25	0
105	0%	nan		td1a_algo/td1a_cenonce_session4_5_jaccard.ipynb	1A.algo - distance de Jaccard (dictionnaires)		nan	11	0
106	0%	nan		td1a_algo/td1a_cenonce_session7.ipynb	1A.algo - Programmation dynamique et plus court chemin		nan	37	0
107	0%	nan		td1a_algo/td1a_cenonce_session7_edition.ipynb	1A.algo - La distance d’édition		nan	21	0
108	100%	1.547	2018-12-05	td1a_algo/td1a_cenonce_session8.ipynb	1A.algo - Arbre et Trie	True	7.099	10	10	10
109	0%	nan		td1a_algo/td1a_cenonce_session8_wikiroot.ipynb	1A.algo - Parcours dans un graphe (wikipédia)		nan	9	0
110	100%	0.411	2018-12-05	td1a_algo/td1a_cenonce_session9.ipynb	1A.algo - Optimisation sous contrainte	True	8.086	6	6	6
111	0%	nan		td1a_algo/td1a_correction_session4_5_jaccard.ipynb	1A.algo - distance de Jaccard (dictionnaires) - correction		nan	28	0
112	0%	nan		td1a_algo/td1a_correction_session7.ipynb	1A.algo - Programmation dynamique et plus court chemin (correction)		nan	31	0
113	0%	nan		td1a_algo/td1a_correction_session7_edition.ipynb	1A.algo - La distance d’édition (correction)		nan	32	0
114	100%	113.373	2018-12-05	td1a_algo/td1a_correction_session8.ipynb	1A.algo - Arbre et Trie (correction)	True	119.530	20	20	20
115	0%	nan		td1a_algo/td1a_correction_session8_wikiroot.ipynb	1A.algo - Parcours dans un graphe (wikipédia) - correction		nan	9	0
116	100%	0.726	2018-12-05	td1a_algo/td1a_correction_session9.ipynb	1A.algo - Optimisation sous contrainte (correction)	True	8.230	7	7	7
117	100%	0.000	2018-12-05	td1a_algo/td1a_plus_grande_somme.ipynb	1A.algo - la sous-séquence de plus grande somme	True	5.080	1	1	1
118	0%	nan		td1a_algo/td1a_plus_grande_somme_correction.ipynb	1A.algo - la sous-séquence de plus grande somme - correction		nan	21	0
119	87%	2.507	2018-12-05	td1a_algo/td1a_quicksort.ipynb	1A.algo - Quicksort	True	8.109	8	7	7
120	0%	nan		td1a_algo/td1a_quicksort_correction.ipynb	1A.algo - quicksort - correction		nan	19	0
121	100%	1.011	2018-12-05	td1a_algo/td1a_sobel.ipynb	1A.algo - filtre de Sobel	True	5.098	5	5	5
122	0%	nan		td1a_algo/td1a_sobel_correction.ipynb	1A.algo - filtre de Sobel - correction		nan	17	0
123	0%	nan		td1a_dfnp/decorrelation.ipynb	1A.data - Décorrélation de variables aléatoires		nan	28	0
124	0%	nan		td1a_dfnp/decorrelation_correction.ipynb	1A.data - Décorrélation de variables aléatoires - correction		nan	36	0
125	100%	3.839	2018-12-05	td1a_dfnp/td1a_cenonce_session_10.ipynb	1A.data - DataFrame et Matrice	True	11.092	51	51	51
126	0%	nan		td1a_dfnp/td1a_cenonce_session_12_carte.ipynb	1A.data - Visualisation des données - cartes		nan	40	0
127	0%	nan		td1a_dfnp/td1a_cenonce_session_12_js.ipynb	1A.data - Visualisation des données - graphes interactifs		nan	17	0
128	0%	nan		td1a_dfnp/td1a_cenonce_session_12_plot.ipynb	1A.data - Visualisation des données		nan	29	0
129	100%	5.136	2018-12-05	td1a_dfnp/td1a_correction_session_10.ipynb	1A.data - DataFrame et Matrice (correction)	True	13.266	18	18	18
130	100%	74.591	2018-12-05	td1a_dfnp/td1a_correction_session_12.ipynb	1A.data - visualisation des données - correction	True	79.285	14	14	14
131	100%	3.606	2018-12-05	td1a_soft/td1a_cython_edit.ipynb	1A.soft - Calcul numérique et Cython	True	8.093	15	15	15
132	100%	6.930	2018-12-05	td1a_soft/td1a_cython_edit_correction.ipynb	1A.soft - Calcul numérique et Cython - correction	True	15.082	8	8	8
133	100%	82.131	2018-12-05	td1a_soft/td1a_sql.ipynb	1A.soft - Notions de SQL	True	88.386	34	34	34
134	100%	13.320	2018-12-05	td1a_soft/td1a_sql_correction.ipynb	1A.soft - Notions de SQL - correction	True	19.139	15	15	15
135	100%	5.242	2018-12-05	td1a_soft/td1a_unit_test_ci.ipynb	1A.soft - Tests unitaires, setup et ingéniérie logicielle	True	10.116	14	14	14
136	0%	nan		td2a/ml_crypted_data.ipynb	2A.ml - Machine Learning et données cryptées		nan	16	0
137	0%	nan		td2a/ml_crypted_data_correction.ipynb	2A.ml - Machine Learning et données cryptées - correction		nan	52	0
138	0%	nan		td2a/pandas_iterator.ipynb	2A.data - Pandas et itérateurs		nan	13	0
139	0%	nan		td2a/pandas_iterator_correction.ipynb	2A.data - Pandas et itérateurs - correction		nan	29	0
140	0%	nan		td2a/td2a_bigdata_memory.ipynb	2A.i - Stratégies et grandes matrices en mémoire		nan	27	0
141	96%	27.354	2018-12-05	td2a/td2a_cenonce_session_1.ipynb	2A.data - DataFrame et Graphes	True	32.263	75	72	72
142	100%	3.317	2018-12-05	td2a/td2a_cenonce_session_2A.ipynb	2A.data - Calcul Matriciel, Optimisation	True	9.131	71	71	71
143	100%	0.141	2018-12-05	td2a/td2a_cenonce_session_2C.ipynb	2A.soft - Jupyter et commandes magiques	True	5.075	5	5	5
144	0%	nan		td2a/td2a_cenonce_session_2D_jupyter.ipynb	2A.i - Jupyter et calcul distribué		nan	72	0
145	0%	nan		td2a/td2a_cenonce_session_2D_parallelisation_local.ipynb	2A.i - Parallélisation locale (énoncé)		nan	7	0
146	100%	0.970	2018-12-05	td2a/td2a_cenonce_session_2E.ipynb	2A.i - Sérialisation	True	5.093	8	8	8
147	100%	1.520	2018-12-05	td2a/td2a_cenonce_session_5.ipynb	2A.i - Modèle relationnel, analyse d’incidents dans le transport aérien	True	8.106	20	20	20
148	100%	16.971	2018-12-05	td2a/td2a_cenonce_session_5_donnees_non_structurees_et_programmation_fonctionnelle.ipynb	2A.i - Données non structurées et programmation fonctionnelle	True	22.121	30	30	30
149	96%	32.498	2018-11-21	td2a/td2a_correction_session_1.ipynb	2A.data - DataFrame et Graphes - correction	True	37.165	27	26	26
150	100%	3.356	2018-11-21	td2a/td2a_correction_session_2A.ipynb	2A.data - Calcul Matriciel, Optimisation - correction	True	8.132	13	13	13
151	100%	1.558	2018-11-21	td2a/td2a_correction_session_2C.ipynb	2A.soft - IPython et commandes magiques - correction	True	6.103	6	6	6
152	100%	38.702	2018-11-21	td2a/td2a_correction_session_2E.ipynb	2A.i - Sérialisation - correction	True	43.166	22	22	22
153	100%	0.819	2018-11-21	td2a/td2a_correction_session_5.ipynb	2A.i - Modèle relationnel, analyse d’incidents dans le transport aérien - correction	True	6.085	3	3	3
154	100%	45.129	2018-11-21	td2a/td2a_correction_session_5_donnees_non_structurees_et_programmation_fonctionnelle_corrige.ipynb	2A.i - Données non structurées, programmation fonctionnelle - correction	True	50.168	33	33	33
155	100%	16.311	2018-11-21	td2a/td2a_ml_text_features.ipynb	2A.ml - Classification binaire avec features textuelles	True	21.168	18	18	18
156	100%	10.225	2018-11-21	td2a/td2a_ml_text_features_correction.ipynb	2A.ml - Classification binaire avec features textuelles - correction	True	15.185	23	23	23
157	0%	nan		td2a/td2a_progressbar.ipynb	2A.i - ProgressBar et fusion de random forest - énoncé		nan	9	0
158	0%	nan		td2a/td2a_some_nlp.ipynb	2A.ml - Texte et machine learning		nan	56	0
159	0%	nan		td2a/td2a_visualisation.ipynb	2A.data - Matplotlib		nan	87	0
160	0%	nan		td2a_algo/gentry_integer_encryption.ipynb	Cryptage homomorphic de Craig Gentry		nan	12	0
161	0%	nan		td2a_algo/gentry_integer_encryption_correction.ipynb	Cryptage homomorphic de Craig Gentry - correction		nan	12	0
162	0%	nan		td2a_algo/knn_high_dimension.ipynb	2A.algo - Plus proches voisins en grande dimension		nan	13	0
163	0%	nan		td2a_algo/knn_high_dimension_correction.ipynb	2A.algo - Plus proches voisins en grande dimension - correction		nan	30	0
164	100%	0.054	2018-12-05	td2a_algo/td2a_cenonce_session_6A.ipynb	2A.algo - Puzzles algorithmiques (1)	True	5.200	6	6	6
165	100%	0.051	2018-12-05	td2a_algo/td2a_cenonce_session_6B.ipynb	2A.algo - Puzzles algorithmiques (2)	True	5.080	5	5	5
166	100%	0.228	2018-12-05	td2a_algo/td2a_correction_session_6A.ipynb	2A.algo - Puzzles algorithmes (1) - correction	True	5.090	6	6	6
167	100%	0.055	2018-12-05	td2a_algo/td2a_correction_session_6B.ipynb	2A.algo - Puzzles algorithmes (2) - correction	True	4.080	6	6	6
168	100%	61.065	2018-11-14	td2a_eco/TD2A_Eco_Web_Scraping.ipynb	2A.eco - Web-Scraping	True	67.232	29	29	29
169	100%	15.203	2018-11-14	td2a_eco/TD2A_Eco_Web_Scraping_corrige.ipynb	2A.eco - Web-Scraping - correction	True	21.121	3	3	3
170	0%	nan		td2a_eco/TD2A_eco_API_SNCF.ipynb	2A.eco - Exercice API SNCF		nan	32	0
171	0%	nan		td2a_eco/TD2A_eco_API_SNCF_corrige.ipynb	2A.eco - Exercice API SNCF corrigé		nan	49	0
172	0%	nan		td2a_eco/TD2A_eco_debuter_flask.ipynb	2A.eco - Débuter avec Flask		nan	56	0
173	0%	nan		td2a_eco/TD2A_eco_les_API.ipynb	2A.eco - API, API REST		nan	29	0
174	100%	1.466	2018-11-21	td2a_eco/td2_eco_rappels_1a.ipynb	2A.eco - Rappel de ce que vous savez déjà mais avez peut-être oublié	True	6.068	29	29	29
175	0%	nan		td2a_eco/td2a_TD5_Traitement_automatique_des_langues_en_Python.ipynb	2A.eco - Traitement automatique de la langue en Python		nan	63	0
176	0%	nan		td2a_eco/td2a_TD5_Traitement_automatique_des_langues_en_Python_correction.ipynb	2A.eco - Traitement automatique de la langue en Python - correction		nan	57	0
177	0%	nan		td2a_eco/td2a_eco_exercice_de_fin_de_seance.ipynb	2A.eco - Exercice Python - Eco Séance 2		nan	3	0
178	0%	nan		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		nan	8	0
179	0%	nan		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		nan	17	0
180	0%	nan		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		nan	25	0
181	0%	nan		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		nan	18	0
182	0%	nan		td2a_eco/td2a_eco_regressions_lineaires.ipynb	Régressions linéaires avec Statsmodels et Scikit-Learn		nan	26	0
183	0%	nan		td2a_eco/td2a_eco_sql.ipynb	2A.eco - Python et la logique SQL		nan	53	0
184	0%	nan		td2a_eco/td2a_eco_sql_correction.ipynb	2A.eco - Python et la logique SQL - correction		nan	64	0
185	0%	nan		td2a_eco2/td2A_eco_API_pocket_et_Webscraping_correction.ipynb	2A.eco - Web Scrapping et API avec Pocket - correction		nan	123	0
186	0%	nan		td2a_eco2/td2a_NLP_pocket.ipynb	NLP, Scrapping avec Pocket		nan	65	0
187	0%	nan		td2a_eco2/td2a_NLP_pocket_correction.ipynb	NLP, Scrapping avec Pocket - correction		nan	108	0
188	0%	nan		td2a_eco2/td2a_Seance_7_Analyse_de_textes.ipynb	TD7 - Analyse de texte		nan	61	0
189	0%	nan		td2a_eco2/td2a_Seance_7_Analyse_de_textes_correction.ipynb	TD7 - Analyse de texte - correction		nan	61	0
190	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
191	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
192	0%	nan		td2a_eco2/td2a_eco_API_pocket_et_Webscraping.ipynb	2A.eco - Web Scrapping et API avec Pocket		nan	94	0
193	0%	nan		td2a_eco2/td2a_eco_NLP_tf_idf_ngrams_LDA_word2vec_sur_des_extraits_litteraires.ipynb	2A.eco - Introduction au text mining		nan	109	0
194	100%	167.940	2018-11-21	td2a_ml/ml_a_tree_overfitting.ipynb	2A.ml - Tree, hyperparamètres, overfitting	True	173.262	27	27	27
195	100%	39.290	2018-12-05	td2a_ml/ml_b_imbalanced.ipynb	2A.ml - Imbalanced dataset	True	45.171	17	17	17
196	100%	8.447	2018-12-05	td2a_ml/ml_c_machine_learning_problems.ipynb	2A.ml - Problèmes classiques de machine learning illustrés	True	14.170	41	41	41
197	100%	1.224	2018-12-05	td2a_ml/ml_cc_machine_learning_problems2.ipynb	2A.ml - Boosting, random forest, gradient - les features qu’ils aiment	True	7.096	4	4	4
198	100%	7.013	2018-12-05	td2a_ml/ml_ccc_machine_learning_interpretabilite.ipynb	2A.ml - Interprétabilité et corrélations des variables	True	12.131	26	26	26
199	100%	9.777	2018-12-05	td2a_ml/ml_d_libraries.ipynb	2A.ml - Librairies de machine learning	True	16.208	21	21	21
200	0%	nan		td2a_ml/ml_d_library_h2o.ipynb	2A.ml - Machine Learning avec H2O et Python		nan	18	0
201	100%	0.690	2018-12-05	td2a_ml/ml_scikit_learn_simple.ipynb	Rappels sur scikit-learn et le machine learning	True	6.094	12	12	12
202	100%	6.443	2018-12-05	td2a_ml/ml_scikit_learn_simple_correction.ipynb	Rappels sur scikit-learn et le machine learning (correction)	True	12.130	21	21	21
203	100%	239.909	2018-11-21	td2a_ml/td2a_cenonce_session_3A.ipynb	2A.ml - Statistiques descriptives avec scikit-learn	True	245.473	21	21	21
204	100%	119.161	2018-11-21	td2a_ml/td2a_cenonce_session_3B.ipynb	2A.ml - Arbres de décision / Random Forest	True	123.608	16	16	16
205	0%	nan		td2a_ml/td2a_cenonce_session_4A.ipynb	2A.ml - Machine Learning et Marketting		nan	14	0
206	0%	nan		td2a_ml/td2a_clustering.ipynb	2A.ml - Clustering		nan	10	0
207	0%	nan		td2a_ml/td2a_clustering_correction.ipynb	2A.ml - Clustering - correction		nan	37	0
208	100%	352.677	2018-11-21	td2a_ml/td2a_correction_session_3A.ipynb	2A.ml - Statistiques descriptives avec scikit-learn - correction	True	357.680	23	23	23
209	100%	172.229	2018-11-21	td2a_ml/td2a_correction_session_3B.ipynb	2A.ml - Arbres de décision / Random Forest - correction	True	177.812	26	26	26
210	0%	nan		td2a_ml/td2a_correction_session_4A.ipynb	2A.ml - Machine Learning et Marketting - correction		nan	45	0
211	0%	nan		td2a_ml/td2a_ethics.ipynb	Machine Learning éthique		nan	26	0
212	0%	nan		td2a_ml/td2a_ethics_correction.ipynb	Machine Learning éthique - correction		nan	6	0
213	0%	nan		td2a_ml/td2a_sentiment_analysis.ipynb	2A.ml - Analyse de sentiments		nan	11	0
214	0%	nan		td2a_ml/td2a_sentiment_analysis_correction.ipynb	2A.ml - Analyse de sentiments - correction		nan	60	0
215	0%	nan		td2a_ml/td2a_timeseries.ipynb	2A.ml - Séries temporelles		nan	25	0
216	0%	nan		td2a_ml/td2a_timeseries_correction.ipynb	2A.ml - Séries temporelles - correction		nan	26	0