Notebooks Coverage

Report on last executions.

39% 2018-12-11

_images/nbcov-2018-12-11.png
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  
_images/nbcov.png