Notebooks Coverage

Report on last executions.

93% 2021-09-23

index	coverage	exe time	last execution	name	title	success	time	nb cells	nb runs	nb valid
0	100%	22.823	2021-09-23	1a/code_liste_tuple.ipynb	1A.1 - Liste, tuple, ensemble, dictionnaire, liste chaînée, coût des opérations	True	25.713327846024185	4	4	4
1	100%	12.086	2021-09-23	1a/code_multinomial.ipynb	1A.1 - Simuler une loi multinomiale	True	16.39190257899463	12	12	12
2	100%	13.762	2021-09-23	1a/coloriage_carre.ipynb	Jeux de coloriage	True	18.195786086842418	23	23	23
3	100%	0.709	2021-09-23	1a/exercice_echelle.ipynb	1A.algo - Calculer le nombre de façons de monter une échelle.	True	5.0281237699091434	6	6	6
4	100%	1.966	2021-09-23	1a/exercice_morse.ipynb	1A.algo - Décoder du Morse sans espaces	True	5.052890202961862	16	16	16
5	100%	4.721	2021-09-23	1a/exercice_plus_grande_somme.ipynb	1A.algo - La sous-séquence de plus grande somme	True	8.93297268403694	15	15	15
6	100%	0.508	2021-09-23	1a/exercice_xn.ipynb	1A.algo - Calculer x**n le plus rapidement possible	True	3.4603001507930458	4	4	4
7	100%	1.498	2021-09-23	1a/histogramme_rapide.ipynb	1A.1 - Histogramme et dictionnaire	True	5.689487240742892	8	8	8
8	100%	69.106	2021-09-23	1a/nbheap.ipynb	Heap	True	71.84278347203508	15	15	15
9	100%	14.171	2021-09-23	1a/profiling_example.ipynb	1A.soft - Exemple de profiling	True	18.393915447872132	11	11	11
10	100%	1.121	2021-09-23	1a/recherche_dichotomique.ipynb	1A.algo - Recherche dichotomique	True	3.772264365106821	9	9	9
11	100%	5.314	2021-09-23	1a/structures_donnees_conversion.ipynb	1A.1 - D’une structure de données à l’autre	True	8.160512171220034	29	29	29
12	100%	3.169	2021-09-23	1a/tableau_contingence.ipynb	1A.1 - Calculer un chi 2 sur un tableau de contingence	True	7.2107938709668815	8	8	8
13	100%	82.982	2021-09-23	1a/tri_nlnd.ipynb	1A.algo - Tri plus rapide que prévu	True	85.64544964302331	17	17	17
14	100%	453.842	2021-08-24	2016-2017/solution_2016_credit_clement.ipynb	2016 - Une solution à la compétition de machine learning 2A	True	456.27317640197	28	28	28
15	100%	17.258	2021-08-24	2016/td2a_eco_competition_comparer_classifieurs.ipynb	2A.ml - 2016 - Compétition - Préparation des données	True	19.689911649969872	16	16	16
16	100%	12.965	2021-08-24	2016/td2a_eco_competition_modeles_logistiques.ipynb	2A.ml - 2016 - Compétition ENSAE - Premiers modèles	True	16.878496293036733	26	26	26
17	100%	310.888	2021-08-24	2016/td2a_eco_competition_statsdesc.ipynb	2A.ml - 2016 - Compétition - Importation des données	True	313.4340956080123	22	22	22
18	100%	30.501	2021-09-23	2017-2018/dimensions_reduction.ipynb	Réduction des dimensions	True	38.05003913631663	20	20	20
19	100%	15.990	2021-08-24	2017/prepare_data_2017.ipynb	2A.ml - 2017 - Préparation des données	True	18.447618520003743	43	43	43
20	89%	3.027	2021-09-23	2018-2019/2018-09-18_rappels_python.ipynb	2018-09-18 - Rappels sur le langage python	True	5.758098992053419	28	25	25
21	100%	10.185	2021-09-23	2018-2019/2018-09-18_rappels_python_pandas_matplotlib.ipynb	2018-09-18 - Rappels sur pandas et maplotlib	True	13.680638803169131	29	29	29
22	100%	10.275	2021-09-23	2018-2019/2018-09-18_sklearn_api.ipynb	2018-09-18 - API de scikit-learn	True	13.396453822031617	21	21	21
23	100%	1.119	2021-09-23	2018-2019/2018-09-25_distance_entre_mots.ipynb	2018-09-25 - Distance entre mots	True	3.73266409477219	11	11	11
24	100%	30.057	2021-09-23	2018-2019/2018-10-02_scraping_recuperer_images.ipynb	2018-10-02 - Scraping, récupérer une image depuis LeMonde	True	32.894092448055744	20	20	20
25	100%	215.147	2021-09-23	2018-2019/2018-10-09_ensemble_gradient_boosting.ipynb	2018-10-09 Ensemble, Gradient, Boosting…	True	218.4888142729178	18	18	18
26	100%	13.472	2021-09-23	2a/bayesian_with_python.ipynb	2A.ml - Bayesian models with Python	True	16.906160332262516	19	19	19
27	100%	373.161	2021-08-24	2a/cffi_linear_regression.ipynb	Optimisation de code avec cffi, numba, cython	True	375.8109438379761	92	92	92
28	100%	5.169	2021-09-23	2a/dataframe_matrix_speed.ipynb	2A.i - Mesures de vitesse sur les dataframes	True	8.371873755007982	15	15	15
29	100%	14.039	2021-09-23	2a/git_notebook.ipynb	2A.soft - Git depuis le notebook	True	16.889223786070943	23	23	23
30	100%	1.914	2021-09-23	2a/jupyter_custom_magics.ipynb	2A.soft - Custom Magics for Jupyter	True	4.672102521173656	5	5	5
31	100%	28.546	2021-09-23	2a/ml_timeseries_base.ipynb	2A.ml - Timeseries et machine learning	True	31.404948544688523	28	28	28
32	100%	4.710	2021-09-23	2a/notebook_convert.ipynb	2A.soft - Convert a notebook into a document	True	7.397126714233309	8	8	8
33	0%	nan		2a/seance_5_dask.ipynb	2A.i - Données non structurées, programmation fonctionnelle : dask		nan	28	0
34	0%	nan		2a/seance_5_intro_et_json.ipynb	2A.i - Données non structurées, programmation fonctionnelle		nan	46	0
35	0%	nan		2a/seance_5_prog_fonctionnelle.ipynb	2A.i - programmation fonctionnelle		nan	78	0
36	100%	65.760	2021-09-23	2a/timeseries_ssa.ipynb	Single Spectrum Analysis (SSA)	True	68.58600028604269	27	27	27
37	100%	5273.247	2021-08-24	data/data_irep.ipynb	IREP: registre des émissions polluantes	True	5275.6443903140025	21	21	21
38	100%	16.516	2021-08-24	data/deal_flow_espace_vert.ipynb	Deal flow espaces verts 2018 - 2019	True	18.88960427400889	14	14	14
39	100%	1.258	2021-09-23	exams/interro_rapide_20_minutes_2014_09.ipynb	1A.e - Correction de l’interrogation écrite du 26 septembre 2014	True	3.9916924061253667	12	12	12
40	100%	3.340	2021-09-23	exams/interro_rapide_20_minutes_2014_10.ipynb	1A.e - Correction de l’interrogation écrite du 10 octobre 2014	True	6.060672773048282	17	17	17
41	82%	8.050	2021-09-23	exams/interro_rapide_20_minutes_2014_11.ipynb	1A.e - Correction de l’interrogation écrite du 14 novembre 2014	True	10.922911462374032	35	29	29
42	100%	1.688	2021-09-23	exams/interro_rapide_20_minutes_2014_12.ipynb	1A.e - Correction de l’interrogation écrite du 14 novembre 2014	True	4.435067242011428	15	15	15
43	100%	0.865	2021-09-23	exams/interro_rapide_20_minutes_2015_09.ipynb	1A.e - Correction de l’interrogation écrite du 26 septembre 2015	True	3.7136257919482887	12	12	12
44	100%	1.303	2021-09-23	exams/interro_rapide_20_minutes_2015_11.ipynb	1A.e - Correction de l’interrogation écrite du 6 novembre 2015	True	3.953805466648191	16	16	16
45	100%	34.714	2021-09-23	exams/td_note_2013_bout_de_code_coloriage.ipynb	1A.e - TD noté, 27 novembre 2012 (éléments de code pour le coloriage)	True	37.47546174703166	6	6	6
46	100%	59.821	2021-09-23	exams/td_note_2013_coloriage_correction.ipynb	1A.e - TD noté, 27 novembre 2012 (coloriage, correction)	True	62.59694833215326	14	14	14
47	100%	4.518	2021-09-23	exams/td_note_2015.ipynb	1A.e - TD noté, 5 décembre 2014	True	7.2976688030175865	36	36	36
48	100%	0.234	2021-09-23	exams/td_note_2015_rattrapage_enonce.ipynb	1A.e - TD noté 2015 rattrapage (énoncé, écrit et oral)	True	2.8124052598141134	6	6	6
49	100%	9.922	2021-09-23	exams/td_note_2016.ipynb	1A.e - TD noté, 11 décembre 2015	True	12.533109669107944	26	26	26
50	100%	3.724	2021-09-23	exams/td_note_2017.ipynb	1A.e - TD noté, 16 décembre 2016	True	6.481216385029256	23	23	23
51	100%	2.774	2021-09-23	exams/td_note_2017_2.ipynb	1A.e - TD noté, 21 février 2017	True	5.472823791671544	21	21	21
52	100%	18.079	2021-09-23	exams/td_note_2018_1.ipynb	1A.e - Enoncé 12 décembre 2017 (1)	True	20.732002322096378	25	25	25
53	100%	16.083	2021-09-23	exams/td_note_2018_2.ipynb	1A.e - Enoncé 12 décembre 2017 (2)	True	18.841143695171922	21	21	21
54	100%	115.908	2021-09-23	exams/td_note_2019_1.ipynb	1A.e - Enoncé 23 octobre 2018 (1)	True	118.55935395462438	17	17	17
55	100%	48.239	2021-09-23	exams/td_note_2019_2.ipynb	1A.e - Enoncé 23 octobre 2018 (2)	True	51.01923250500113	18	18	18
56	100%	16.650	2021-09-23	exams/td_note_2020_1.ipynb	1A.e - Enoncé 22 octobre 2019 (1)	True	19.372085473965853	29	29	29
57	100%	15.220	2021-09-23	exams/td_note_2020_2.ipynb	1A.e - Enoncé 22 octobre 2019 (2)	True	18.202437119092792	28	28	28
58	100%	27.320	2021-09-23	exams/td_note_2021.ipynb	1A - Enoncé 24 novembre 2020	True	30.021523050032556	24	24	24
59	100%	64.551	2021-09-23	expose/BJKST.ipynb	2A.algo - Algorithmes de streaming : généralités	True	68.08552424097434	39	39	39
60	100%	21.141	2021-09-23	expose/expose_TSP.ipynb	2A.algo - Réflexions autour du voyage de commerce (TSP)	True	23.896766079124063	11	11	11
61	100%	5.871	2021-09-23	expose/expose_einstein_riddle.ipynb	2A.algo - L’énigme d’Einstein et sa résolution	True	8.969476705882698	4	4	4
62	100%	6.978	2021-09-23	expose/expose_graphe_et_map_reduce.ipynb	3A.mr - Graphes et Map Reduce	True	10.682886800263077	11	11	11
63	100%	2.526	2021-09-23	expose/expose_rwr_recommandation.ipynb	3A.mr - Random Walk with Restart (système de recommandations)	True	6.12616540491581	4	4	4
64	100%	2.964	2021-08-24	expose/expose_vigenere.ipynb	1A.algo - Casser le code de Vigenère	True	5.319906322984025	9	9	9
65	100%	35.410	2021-09-23	expose/hash_distribution.ipynb	2A.algo - Hash et distribution	True	38.23985075391829	14	14	14
66	100%	60.226	2021-09-23	expose/ml_features_model.ipynb	2A.ml - Features ou modèle	True	63.32086843671277	15	15	15
67	0%	nan		expose/ml_huge_datasets.ipynb	2A.i - Huge datasets, datasets hiérarchiques		nan	30	0
68	100%	2467.069	2021-08-24	expose/ml_rue_paris_parcours.ipynb	2A.algo - Parcourir les rues de Paris	True	2469.6160354700405	24	24	24
69	100%	718.078	2021-08-24	expose/ml_table_mortalite.ipynb	2A.i - Table de mortalité dans plusieurs containers	True	720.9270171879907	35	35	35
70	100%	8.605	2021-09-23	sklearn_ensae_course/00_introduction_machine_learning_and_data.ipynb	2A.ML101.0: What is machine learning?	True	11.287148851901293	13	13	13
71	100%	7.573	2021-09-23	sklearn_ensae_course/01_data_manipulation.ipynb	2A.ML101.1: Introduction to data manipulation with scientific Python	True	10.267211896833032	18	18	18
72	100%	13.307	2021-09-23	sklearn_ensae_course/02_basic_of_machine_learning_with_scikit-learn.ipynb	2A.ML101.2: Basic principles of machine learning with scikit-learn	True	15.912144090048969	15	15	15
73	100%	34.280	2021-09-23	sklearn_ensae_course/03_supervised_classification.ipynb	2A.ML101.3: Supervised Learning: Classification of Handwritten Digits	True	36.88986681215465	12	12	12
74	100%	18.851	2021-09-23	sklearn_ensae_course/04_supervised_regression.ipynb	2A.ML101.4: Supervised Learning: Regression of Housing Data	True	21.61169026698917	12	12	12
75	100%	23.673	2021-09-23	sklearn_ensae_course/05_measuring_prediction_performance.ipynb	2A.ML101.5: Measuring prediction performance	True	26.374506330117583	23	23	23
76	100%	25.230	2021-09-23	sklearn_ensae_course/06_unsupervised_dimreduction.ipynb	2A.ML101.6: Unsupervised Learning: Dimensionality Reduction and Visualization	True	27.894406663719565	18	18	18
77	100%	28.661	2021-09-23	sklearn_ensae_course/07_application_to_face_recognition.ipynb	2A.ML101.7: Example from Image Processing	True	31.359047629870474	19	19	19
78	100%	17.095	2021-09-23	sklearn_ensae_course/08_validation_and_learning_curves.ipynb	2A.ML101.8: Parameter selection, Validation & Testing	True	19.75256547005847	15	15	15
79	100%	0.581	2021-09-23	td1a/integrale_rectangle.ipynb	1A.1 - Intégrale et la méthode des rectangles	True	3.358172527048737	6	6	6
80	100%	7.134	2021-09-23	td1a/integrale_rectangle_correction.ipynb	1A.1 - Intégrale et la méthode des rectangles - correction	True	9.78966435464099	30	30	30
81	100%	0.499	2021-09-23	td1a/j2048.ipynb	1A.2 - 2048 - stratégie gagnante	True	4.503613482695073	3	3	3
82	100%	1.641	2021-09-23	td1a/j2048_correction.ipynb	1A.2 - 2048 - stratégie gagnante - correction	True	4.269081748090684	11	11	11
83	100%	67.069	2021-09-23	td1a/matrix_dictionary.ipynb	Produit matriciel avec une matrice creuse	True	69.74802333116531	20	20	20
84	100%	0.362	2021-09-23	td1a/pp_exo_deviner_un_nombre.ipynb	1A.1 - Deviner un nombre aléatoire	True	2.964206581003964	5	5	5
85	100%	0.863	2021-09-23	td1a/pp_exo_deviner_un_nombre_correction.ipynb	1A.1 - Deviner un nombre aléatoire (correction)	True	3.5562526788562536	7	7	7
86	75%	1.251	2021-09-23	td1a/td1a_cenonce_session1.ipynb	1A.0 - Premiers pas en Python	True	4.008390072733164	16	12	12
87	100%	3.642	2021-09-23	td1a/td1a_cenonce_session2.ipynb	1A.1 - Variables, boucles, tests	True	6.350221778731793	30	30	30
88	100%	2.584	2021-09-23	td1a/td1a_cenonce_session3.ipynb	1A.1 - Dictionnaires, fonctions, code de Vigenère	True	5.421358373947442	26	26	26
89	100%	3.842	2021-09-23	td1a/td1a_cenonce_session4.ipynb	1A.2 - Modules, fichiers, expressions régulières	True	6.63223591260612	20	20	20
90	100%	1.865	2021-09-23	td1a/td1a_cenonce_session5.ipynb	1A.2 - Classes, méthodes, attributs, opérateurs et carré magique	True	4.5834710178896785	17	17	17
91	100%	1.090	2021-09-23	td1a/td1a_cenonce_session6.ipynb	1A.2 - Classes, héritage	True	3.8188074831850827	11	11	11
92	100%	1.354	2021-09-23	td1a/td1a_correction_session1.ipynb	1A.0 - Premiers pas en Python (correction)	True	3.9477706803008914	13	13	13
93	100%	0.969	2021-09-23	td1a/td1a_correction_session2.ipynb	1A.1 - Variables, boucles, tests (correction)	True	3.562872290145606	8	8	8
94	100%	0.985	2021-09-23	td1a/td1a_correction_session3.ipynb	1A.1 - Dictionnaires, fonctions, code de Vigenère (correction)	True	3.577608047053218	9	9	9
95	100%	5.672	2021-09-23	td1a/td1a_correction_session4.ipynb	1A.2 - Modules, fichiers, expressions régulières (correction)	True	8.341627267654985	20	20	20
96	100%	59.819	2021-09-23	td1a/td1a_correction_session5.ipynb	1A.2 - Classes, méthodes, attributs, opérateurs et carré magique (correction)	True	62.41072750929743	12	12	12
97	100%	0.581	2021-09-23	td1a/td1a_correction_session6.ipynb	1A.2 - Classes, héritage (correction)	True	3.209168797824532	5	5	5
98	100%	2.515	2021-09-23	td1a/td1a_pyramide_bigarree.ipynb	1A.1 - Tracer une pyramide bigarrée	True	5.281914805062115	5	5	5
99	100%	6.556	2021-09-23	td1a/td1a_pyramide_bigarree_correction.ipynb	1A.1 - Tracer une pyramide bigarrée - correction	True	9.207804953213781	11	11	11
100	100%	1.833	2021-09-23	td1a/texte_langue.ipynb	1A.2 - Deviner la langue d’un texte	True	4.446673612110317	6	6	6
101	100%	17.426	2021-09-23	td1a/texte_langue_correction.ipynb	1A.2 - Deviner la langue d’un texte (correction)	True	20.07404503505677	23	23	23
102	100%	0.449	2021-09-23	td1a_algo/BJKST_enonce.ipynb	1A.algo - BJKST - calculer le nombre d’éléments distincts	True	3.1095690582878888	4	4	4
103	100%	1.750	2021-09-23	td1a_algo/graph1exo_parcours.ipynb	1A.algo - Parcours de graphe	True	4.33173519000411	8	8	8
104	100%	2.029	2021-09-23	td1a_algo/graph1exo_parcours_correction.ipynb	1A.algo - Parcours de graphe - correction	True	4.748519910033792	9	9	9
105	100%	1.202	2021-09-23	td1a_algo/graph4exos.ipynb	1A.algo - Des problèmes de graphes	True	3.9998264820314944	6	6	6
106	100%	1.427	2021-09-23	td1a_algo/graph_spectral_clustering.ipynb	1A.algo - Spectral Clustering	True	4.022493316791952	6	6	6
107	100%	2.391	2021-09-23	td1a_algo/graph_spectral_clustering_correction.ipynb	1A.algo - Spectral Clustering - correction	True	5.0044518150389194	11	11	11
108	100%	0.151	2021-09-23	td1a_algo/td1a_cenonce_session4_5_jaccard.ipynb	1A.algo - distance de Jaccard (dictionnaires)	True	2.7696237419731915	4	4	4
109	100%	4.280	2021-09-23	td1a_algo/td1a_cenonce_session7.ipynb	1A.algo - Programmation dynamique et plus court chemin	True	6.918605402112007	17	17	17
110	100%	0.456	2021-09-23	td1a_algo/td1a_cenonce_session7_edition.ipynb	1A.algo - La distance d’édition	True	3.14420082885772	8	8	8
111	100%	0.593	2021-09-23	td1a_algo/td1a_cenonce_session8.ipynb	1A.algo - Arbre et Trie	True	3.413972449954599	10	10	10
112	100%	0.147	2021-09-23	td1a_algo/td1a_cenonce_session8_wikiroot.ipynb	1A.algo - Parcours dans un graphe (wikipédia)	True	2.7448670179583132	4	4	4
113	100%	0.735	2021-09-23	td1a_algo/td1a_cenonce_session9.ipynb	1A.algo - Optimisation sous contrainte	True	5.767009329050779	6	6	6
114	100%	19.455	2021-09-23	td1a_algo/td1a_correction_session4_5_jaccard.ipynb	1A.algo - distance de Jaccard (dictionnaires) - correction	True	22.066893049981445	17	17	17
115	100%	8.166	2021-09-23	td1a_algo/td1a_correction_session7.ipynb	1A.algo - Programmation dynamique et plus court chemin (correction)	True	10.766575755085796	15	15	15
116	100%	2.767	2021-09-23	td1a_algo/td1a_correction_session7_edition.ipynb	1A.algo - La distance d’édition (correction)	True	5.390263135079294	20	20	20
117	100%	285.909	2021-08-24	td1a_algo/td1a_correction_session8.ipynb	1A.algo - Arbre et Trie (correction)	True	288.6407423359924	20	20	20
118	100%	3.960	2021-09-23	td1a_algo/td1a_correction_session8_wikiroot.ipynb	1A.algo - Parcours dans un graphe (wikipédia) - correction	True	6.622451914940029	5	5	5
119	100%	3.149	2021-09-23	td1a_algo/td1a_correction_session9.ipynb	1A.algo - Optimisation sous contrainte (correction)	True	5.915840641129762	7	7	7
120	100%	0.000	2021-09-23	td1a_algo/td1a_plus_grande_somme.ipynb	1A.algo - la plus grande sous-séquence croissante	True	2.8424804587848485	1	1	1
121	100%	107.182	2021-09-23	td1a_algo/td1a_plus_grande_somme_correction.ipynb	1A.algo - la plus grande sous-séquence croissante - correction	True	109.87596328090876	10	10	10
122	87%	4.738	2021-09-23	td1a_algo/td1a_quicksort.ipynb	1A.algo - Quicksort	True	7.363728998694569	8	7	7
123	100%	6.551	2021-09-23	td1a_algo/td1a_quicksort_correction.ipynb	1A.algo - quicksort - correction	True	9.223350731190294	10	10	10
124	100%	2.001	2021-09-23	td1a_algo/td1a_sobel.ipynb	1A.algo - filtre de Sobel	True	4.826756512280554	6	6	6
125	100%	18.751	2021-09-23	td1a_algo/td1a_sobel_correction.ipynb	1A.algo - filtre de Sobel - correction	True	21.50614018831402	8	8	8
126	100%	0.151	2021-09-23	td1a_dfnp/decorrelation.ipynb	1A.data - Décorrélation de variables aléatoires	True	2.72386470483616	7	7	7
127	100%	1.874	2021-09-23	td1a_dfnp/decorrelation_correction.ipynb	1A.data - Décorrélation de variables aléatoires - correction	True	4.560748212039471	15	15	15
128	100%	9.855	2021-09-23	td1a_dfnp/td1a_cenonce_session_10.ipynb	1A.data - DataFrame et Matrice	True	12.897042326629162	51	51	51
129	100%	101.374	2021-08-24	td1a_dfnp/td1a_cenonce_session_12_carte.ipynb	1A.data - Visualisation des données - cartes	True	103.87452382600168	22	22	22
130	100%	9.468	2021-08-24	td1a_dfnp/td1a_cenonce_session_12_js.ipynb	1A.data - Visualisation des données - graphes interactifs	True	12.20845229004044	9	9	9
131	87%	104.999	2021-08-24	td1a_dfnp/td1a_cenonce_session_12_plot.ipynb	1A.data - Visualisation des données	True	107.65586810401874	16	14	14
132	100%	6.802	2021-08-24	td1a_dfnp/td1a_correction_session_10.ipynb	1A.data - DataFrame et Matrice (correction)	True	9.29726166697219	18	18	18
133	100%	198.190	2021-08-24	td1a_dfnp/td1a_correction_session_12.ipynb	1A.data - visualisation des données - correction	True	200.7067130649812	14	14	14
134	100%	12.416	2021-09-23	td1a_home/2020_carte.ipynb	Tech - carte	True	15.061930511146784	23	23	23
135	100%	67.905	2021-09-23	td1a_home/2020_covid.ipynb	Algo - simulation COVID	True	70.69222173606977	33	33	33
136	100%	2.151	2021-09-23	td1a_home/2020_edit.ipynb	Algo - distance d’édiction	True	4.844862564001232	15	15	15
137	100%	29.806	2021-09-23	td1a_home/2020_graph.ipynb	Algo - Graphe - Composantes connexes	True	32.42860505962744	15	15	15
138	100%	10.631	2021-09-23	td1a_home/2020_json_xml.ipynb	Tech - JSON - XML	True	13.317444159183651	45	45	45
139	100%	34.129	2021-09-23	td1a_home/2020_numpy.ipynb	Tech - calcul matriciel avec numpy	True	36.84818733204156	35	35	35
140	100%	2.305	2021-09-23	td1a_home/2020_ordonnancement.ipynb	Algo - Problème d’ordonnancement	True	4.899024104233831	11	11	11
141	100%	29.293	2021-09-23	td1a_home/2020_pandas.ipynb	Tech - manipulation de données avec pandas	True	32.15113047976047	64	64	64
142	100%	47.429	2021-09-23	td1a_home/2020_profile.ipynb	Tech - profiling	True	50.05795651394874	18	18	18
143	100%	1.151	2021-09-23	td1a_home/2020_regex.ipynb	Tech - expressions régulières	True	3.7647967818193138	14	14	14
144	100%	9.635	2021-09-23	td1a_home/2020_rest.ipynb	Tech - API REST pour deep learning avec FastAPI	True	12.29678354319185	28	28	28
145	100%	4.954	2021-09-23	td1a_home/2020_suffix.ipynb	Algo - jeux de dictionnaires, plus grand suffixe commun	True	7.643638715147972	24	24	24
146	100%	19.779	2021-09-23	td1a_home/2020_surface.ipynb	Algo - Calculs de surface et autres calculs	True	22.37681689625606	16	16	16
147	100%	58.311	2021-09-23	td1a_home/2020_topk.ipynb	Algo - les k premiers éléments	True	60.95820093713701	32	32	32
148	100%	10.766	2021-09-23	td1a_home/2020_tsp.ipynb	Algo - TSP - Traveling Salesman Problem	True	13.464163960888982	14	14	14
149	100%	2.302	2021-09-23	td1a_home/2021_editdist.ipynb	Distance entre deux mots de même longueur et tests unitaires	True	4.9572092718444765	17	17	17
150	100%	6.655	2021-09-23	td1a_home/2021_random_graph.ipynb	Algo - graphes aléatoires	True	9.45272941980511	22	22	22
151	100%	9.916	2021-09-23	td1a_home/2021_tsp.ipynb	Algo - Aparté sur le voyageur de commerce	True	13.11805013101548	9	9	9
152	100%	4.474	2021-09-23	td1a_soft/td1a_cython_edit.ipynb	1A.soft - Calcul numérique et Cython	True	7.080515747889876	15	15	15
153	100%	5.447	2021-09-23	td1a_soft/td1a_cython_edit_correction.ipynb	1A.soft - Calcul numérique et Cython - correction	True	8.039858538191766	8	8	8
154	100%	247.484	2021-09-23	td1a_soft/td1a_sql.ipynb	1A.soft - Notions de SQL	True	250.30469001922756	34	34	34
155	100%	207.054	2021-09-23	td1a_soft/td1a_sql_correction.ipynb	1A.soft - Notions de SQL - correction	True	209.70232410402969	15	15	15
156	100%	8.240	2021-09-23	td1a_soft/td1a_unit_test_ci.ipynb	1A.soft - Tests unitaires, setup et ingéniérie logicielle	True	10.864027546718717	14	14	14
157	100%	8.471	2021-09-23	td2a/ml_crypted_data.ipynb	2A.ml - Machine Learning et données cryptées	True	12.032983199693263	9	9	9
158	100%	33.594	2021-09-23	td2a/ml_crypted_data_correction.ipynb	2A.ml - Machine Learning et données cryptées - correction	True	36.74845339497551	38	38	38
159	100%	4.358	2021-09-23	td2a/pandas_iterator.ipynb	2A.data - Pandas et itérateurs	True	7.049272851087153	8	8	8
160	100%	6.967	2021-09-23	td2a/pandas_iterator_correction.ipynb	2A.data - Pandas et itérateurs - correction	True	9.871366381179541	19	19	19
161	100%	0.176	2021-09-23	td2a/td2a_bigdata_memory.ipynb	2A.i - Stratégies et grandes matrices en mémoire	True	2.875217031221837	8	8	8
162	96%	111.674	2021-08-24	td2a/td2a_cenonce_session_1.ipynb	2A.data - DataFrame et Graphes	True	114.3687903760001	75	72	72
163	100%	11.643	2021-09-23	td2a/td2a_cenonce_session_2A.ipynb	2A.data - Calcul Matriciel, Optimisation	True	15.024881003890187	71	71	71
164	100%	0.432	2021-09-23	td2a/td2a_cenonce_session_2C.ipynb	2A.soft - Jupyter et commandes magiques	True	3.293702962808311	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%	1.560	2021-09-23	td2a/td2a_cenonce_session_2E.ipynb	2A.i - Sérialisation	True	4.505867118947208	8	8	8
168	100%	3.166	2021-08-24	td2a/td2a_cenonce_session_5.ipynb	2A.i - Modèle relationnel, analyse d’incidents dans le transport aérien	True	5.675636851054151	20	20	20
169	100%	18.857	2021-08-24	td2a/td2a_cenonce_session_5_donnees_non_structurees_et_programmation_fonctionnelle.ipynb	2A.i - Données non structurées et programmation fonctionnelle	True	21.34707628702745	30	30	30
170	96%	96.521	2021-08-24	td2a/td2a_correction_session_1.ipynb	2A.data - DataFrame et Graphes - correction	True	99.03466410498368	27	26	26
171	100%	9.062	2021-08-24	td2a/td2a_correction_session_2A.ipynb	2A.data - Calcul Matriciel, Optimisation - correction	True	11.474768954969477	13	13	13
172	100%	5.191	2021-08-24	td2a/td2a_correction_session_2C.ipynb	2A.soft - IPython et commandes magiques - correction	True	7.553381862002425	6	6	6
173	100%	38.666	2021-08-24	td2a/td2a_correction_session_2E.ipynb	2A.i - Sérialisation - correction	True	41.06002018402796	24	24	24
174	100%	1.693	2021-08-24	td2a/td2a_correction_session_5.ipynb	2A.i - Modèle relationnel, analyse d’incidents dans le transport aérien - correction	True	4.054786907974631	3	3	3
175	100%	74.292	2021-08-24	td2a/td2a_correction_session_5_donnees_non_structurees_et_programmation_fonctionnelle_corrige.ipynb	2A.i - Données non structurées, programmation fonctionnelle - correction	True	76.8102721159812	33	33	33
176	100%	13.006	2021-08-24	td2a/td2a_ml_text_features.ipynb	2A.ml - Classification binaire avec features textuelles	True	17.742697518027853	18	18	18
177	100%	35.489	2021-08-24	td2a/td2a_ml_text_features_correction.ipynb	2A.ml - Classification binaire avec features textuelles - correction	True	38.19317107304232	23	23	23
178	100%	16.053	2021-09-23	td2a/td2a_progressbar.ipynb	2A.i - ProgressBar et fusion de random forest - énoncé	True	19.371280262246728	6	6	6
179	100%	52.272	2021-09-23	td2a/td2a_some_nlp.ipynb	2A.ml - Texte et machine learning	True	55.090670597273856	36	36	36
180	90%	193.112	2021-09-23	td2a/td2a_visualisation.ipynb	2A.data - Matplotlib	True	195.94820535182953	42	38	38
181	100%	0.161	2021-09-23	td2a_algo/gentry_integer_encryption.ipynb	Cryptage homomorphic de Craig Gentry	True	2.7938885712064803	6	6	6
182	100%	0.190	2021-09-23	td2a_algo/gentry_integer_encryption_correction.ipynb	Cryptage homomorphic de Craig Gentry - correction	True	3.1084905099123716	6	6	6
183	100%	18.983	2021-09-23	td2a_algo/knn_high_dimension.ipynb	2A.algo - Plus proches voisins en grande dimension	True	21.6042701844126	8	8	8
184	100%	135.572	2021-09-23	td2a_algo/knn_high_dimension_correction.ipynb	2A.algo - Plus proches voisins en grande dimension - correction	True	138.41534276586026	20	20	20
185	100%	0.259	2021-09-23	td2a_algo/td2a_cenonce_session_6A.ipynb	2A.algo - Puzzles algorithmiques (1)	True	3.1732538281939924	6	6	6
186	100%	0.203	2021-09-23	td2a_algo/td2a_cenonce_session_6B.ipynb	2A.algo - Puzzles algorithmiques (2)	True	2.943159449379891	5	5	5
187	100%	0.640	2021-09-23	td2a_algo/td2a_correction_session_6A.ipynb	2A.algo - Puzzles algorithmes (1) - correction	True	3.5275899739935994	6	6	6
188	100%	0.150	2021-09-23	td2a_algo/td2a_correction_session_6B.ipynb	2A.algo - Puzzles algorithmes (2) - correction	True	2.941400596871972	6	6	6
189	100%	22.833	2021-08-24	td2a_eco/TD2A_Eco_Web_Scraping.ipynb	2A.eco - Web-Scraping	True	25.25473767798394	29	29	29
190	100%	22.588	2021-08-24	td2a_eco/TD2A_Eco_Web_Scraping_corrige.ipynb	2A.eco - Web-Scraping - correction	True	25.53861743095331	6	6	6
191	100%	5.014	2021-08-24	td2a_eco/TD2A_eco_API_SNCF.ipynb	2A.eco - Exercice API SNCF	True	7.626649707031902	11	11	11
192	100%	37.426	2021-08-24	td2a_eco/TD2A_eco_API_SNCF_corrige.ipynb	2A.eco - Exercice API SNCF corrigé	True	39.93658115505241	40	40	40
193	100%	2.300	2021-09-23	td2a_eco/TD2A_eco_debuter_flask.ipynb	2A.eco - Débuter avec Flask	True	4.917029066942632	14	14	14
194	100%	5.609	2021-09-23	td2a_eco/TD2A_eco_les_API.ipynb	2A.eco - API, API REST	True	8.697514628060162	15	15	15
195	100%	4.665	2021-09-23	td2a_eco/td2_eco_rappels_1a.ipynb	2A.eco - Rappel de ce que vous savez déjà mais avez peut-être oublié	True	7.389312235638499	29	29	29
196	100%	17.962	2021-09-23	td2a_eco/td2a_TD5_Traitement_automatique_des_langues_en_Python.ipynb	2A.eco - Traitement automatique de la langue en Python	True	20.701560308225453	34	34	34
197	100%	38.634	2021-09-23	td2a_eco/td2a_TD5_Traitement_automatique_des_langues_en_Python_correction.ipynb	2A.eco - Traitement automatique de la langue en Python - correction	True	41.37942165881395	35	35	35
198	100%	0.000	2021-09-23	td2a_eco/td2a_eco_exercice_de_fin_de_seance.ipynb	2A.eco - Exercice Python - Eco Séance 2	True	2.8758573038503528	1	1	1
199	100%	1.573	2021-09-23	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	4.259582176338881	3	3	3
200	100%	5.618	2021-09-23	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	8.452732498757541	10	10	10
201	100%	7.583	2021-09-23	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	10.192450399976224	16	16	16
202	100%	9.752	2021-09-23	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	12.42005080729723	14	14	14
203	100%	36.597	2021-09-23	td2a_eco/td2a_eco_regressions_lineaires.ipynb	Régressions linéaires avec Statsmodels et Scikit-Learn	True	39.490050056017935	12	12	12
204	100%	4.551	2021-09-23	td2a_eco/td2a_eco_sql.ipynb	2A.eco - Python et la logique SQL	True	7.221126223914325	26	26	26
205	100%	6.353	2021-09-23	td2a_eco/td2a_eco_sql_correction.ipynb	2A.eco - Python et la logique SQL - correction	True	9.047727697063237	36	36	36
206	100%	28.660	2021-08-24	td2a_eco2/td2a_Seance_7_Analyse_de_textes.ipynb	TD7 - Analyse de texte	True	31.142657953023445	29	29	29
207	100%	28.551	2021-08-24	td2a_eco2/td2a_Seance_7_Analyse_de_textes_correction.ipynb	TD7 - Analyse de texte - correction	True	31.17125740798656	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%	61.539	2021-08-24	td2a_eco2/td2a_eco_NLP_tf_idf_ngrams_LDA_word2vec_sur_des_extraits_litteraires.ipynb	2A.eco - Introduction au text mining	True	64.38834151497576	69	69	69
211	100%	1368.603	2021-09-23	td2a_ml/gradient_boosting.ipynb	Gradient Boosting	True	1371.6276480420493	37	37	37
212	100%	659.744	2021-08-24	td2a_ml/ml_a_tree_overfitting.ipynb	2A.ml - Tree, hyperparamètres, overfitting	True	662.2126394129591	28	28	28
213	100%	218.558	2021-09-23	td2a_ml/ml_b_imbalanced.ipynb	2A.ml - Imbalanced dataset	True	221.45948558673263	22	22	22
214	100%	19.683	2021-09-23	td2a_ml/ml_c_machine_learning_problems.ipynb	2A.ml - Problèmes classiques de machine learning illustrés	True	22.47271687304601	41	41	41
215	100%	0.384	2021-09-23	td2a_ml/ml_cc_machine_learning_problems2.ipynb	2A.ml - Boosting, random forest, gradient - les features qu’ils aiment	True	3.0061779459938407	4	4	4
216	100%	8.919	2021-09-23	td2a_ml/ml_ccc_machine_learning_interpretabilite.ipynb	2A.ml - Interprétabilité et corrélations des variables	True	11.61889946134761	26	26	26
217	100%	146.272	2021-09-23	td2a_ml/ml_lasso_rf_grid_search_correction.ipynb	Hyperparamètres, LassoRandomForestRregressor et grid_search (correction)	True	148.90644945111126	15	15	15
218	100%	4.416	2021-09-23	td2a_ml/ml_lasso_rf_grid_search_enonce.ipynb	Hyperparamètres, LassoRandomForestRregressor et grid_search (énoncé)	True	7.039279374759644	4	4	4
219	100%	1.744	2021-09-23	td2a_ml/ml_scikit_learn_simple.ipynb	Rappels sur scikit-learn et le machine learning	True	4.425672559067607	12	12	12
220	100%	19.603	2021-09-23	td2a_ml/ml_scikit_learn_simple_correction.ipynb	Rappels sur scikit-learn et le machine learning (correction)	True	22.321833924856037	21	21	21
221	100%	32.581	2021-09-23	td2a_ml/seasonal_timeseries.ipynb	Timeseries	True	35.45717398589477	42	42	42
222	100%	1400.514	2021-08-24	td2a_ml/td2a_cenonce_session_3A.ipynb	2A.ml - Statistiques descriptives avec scikit-learn	True	1403.8987084389664	18	18	18
223	100%	196.494	2021-08-24	td2a_ml/td2a_cenonce_session_3B.ipynb	2A.ml - Arbres de décision / Random Forest	True	199.2118528370047	16	16	16
224	100%	2.843	2021-09-23	td2a_ml/td2a_cenonce_session_4A.ipynb	2A.ml - Machine Learning et Marketting	True	5.627158686053008	9	9	9
225	100%	3.666	2021-09-23	td2a_ml/td2a_clustering.ipynb	2A.ml - Clustering	True	6.331623530946672	6	6	6
226	100%	66.638	2021-09-23	td2a_ml/td2a_clustering_correction.ipynb	2A.ml - Clustering - correction	True	69.33727726805955	25	25	25
227	100%	77.718	2021-09-23	td2a_ml/td2a_correction_cl_reg_anomaly.ipynb	2A.data - Classification, régression, anomalies - correction	True	80.57299430202693	33	33	33
228	100%	1924.139	2021-08-24	td2a_ml/td2a_correction_session_3A.ipynb	2A.ml - Statistiques descriptives avec scikit-learn - correction	True	1926.8156567150145	24	24	24
229	100%	724.030	2021-08-24	td2a_ml/td2a_correction_session_3B.ipynb	2A.ml - Arbres de décision / Random Forest - correction	True	726.8298742800253	26	26	26
230	100%	48.730	2021-09-23	td2a_ml/td2a_correction_session_4A.ipynb	2A.ml - Machine Learning et Marketting - correction	True	51.434677890036255	26	26	26
231	100%	5.994	2021-09-23	td2a_ml/td2a_enonce_cl_reg_anomaly.ipynb	2A.data - Classification, régression, anomalies - énoncé	True	8.763281098101288	9	9	9
232	96%	17.476	2021-08-24	td2a_ml/td2a_ethics.ipynb	Machine Learning éthique	True	19.996125050005503	31	30	30
233	100%	0.115	2021-08-24	td2a_ml/td2a_ethics_correction.ipynb	Machine Learning éthique - correction	True	2.5119440889684483	2	2	2
234	100%	38.283	2021-09-23	td2a_ml/td2a_pipeline_tree_selection_correction.ipynb	2A.ml - Pipeline pour un réduction d’une forêt aléatoire - correction	True	41.07478825887665	24	24	24
235	100%	7.010	2021-09-23	td2a_ml/td2a_pipeline_tree_selection_enonce.ipynb	2A.ml - Pipeline pour un réduction d’une forêt aléatoire - énoncé	True	10.037300494965166	11	11	11
236	100%	2.468	2021-09-23	td2a_ml/td2a_sentiment_analysis.ipynb	2A.ml - Analyse de sentiments	True	5.0118511179462075	6	6	6
237	100%	40.647	2021-09-23	td2a_ml/td2a_sentiment_analysis_correction.ipynb	2A.ml - Analyse de sentiments - correction	True	43.296372429002076	44	44	44
238	100%	10.920	2021-09-23	td2a_ml/td2a_timeseries.ipynb	2A.ml - Séries temporelles	True	13.889987919013947	15	15	15
239	100%	20.382	2021-09-23	td2a_ml/td2a_timeseries_correction.ipynb	2A.ml - Séries temporelles - correction	True	24.344559560064226	15	15	15
240	100%	117.036	2021-09-23	td2a_ml/td2a_tree_selection_correction.ipynb	2A.ml - Réduction d’une forêt aléatoire - correction	True	119.75515598198399	19	19	19
241	100%	4.399	2021-09-23	td2a_ml/td2a_tree_selection_enonce.ipynb	2A.ml - Réduction d’une forêt aléatoire - énoncé	True	6.974771440960467	8	8	8

Hyperparamètres, LassoRandomForestRregressor et grid_search (énoncé) Index