:orphan:

|rss_image| :ref:`<== <ap-main-2>`  **page de blog - 4/16** :ref:`==> <ap-main-4>` :ref:`Blog <ap-main-0>` :ref:`article (8) <ap-cat-article-0>` :ref:`articles (3) <ap-cat-articles-0>` :ref:`cours (6) <ap-cat-cours-0>` :ref:`module (7) <ap-cat-module-0>` :ref:`paper (3) <ap-cat-paper-0>`

.. |rss_image| image:: feed-icon-16x16.png
    :target: ../_downloads/rss.xml
    :alt: RSS

----


.. _ap-main-3:

page de blog - 4/16
+++++++++++++++++++

.. blogpostagg::
    :title: Packages glanés au fil des lectures
    :date: 2020-10-05
    :keywords: packages
    :categories: module
    :rawfile: 2020/2020-10-05_package.rst

    * `DESlib <https://github.com/scikit-learn-contrib/DESlib>`_ :
      assembler différents modèles de machine learning
    * `pyts <https://github.com/johannfaouzi/pyts>`_ :
      classification de séries temporelles
    * `tslearn <https://github.com/tslearn-team/tslearn>`_ :
      dynamic time warping, classification, clustering,
      plus proches voisins, étude de sous-séquences
    * `GraKeL <https://github.com/ysig/GraKeL>`_ :
      algorithmes sur les graphes, plus court chemin,
      marches aléatoires, méthodes à noyaux
    * `scikit-network <https://scikit-network.readthedocs.io/en/latest/index.html>`_ :
      de nombreux algorithmes comme PageRank, Louvain, ...
    * `pyDML <https://github.com/jlsuarezdiaz/pyDML>`_ :
      apprentissage de distances métriques
    * `metric-learn <http://contrib.scikit-learn.org/metric-learn/index.html>`_ :
      apprentissage de distances métriques
    
    Deux articles intéressants pour optimiser les calculs :
    

    ...




.. blogpostagg::
    :title: Un article simple sur le profiling
    :date: 2020-09-24
    :keywords: plagiat
    :categories: algorithme
    :rawfile: 2020/2020-09-24_fft.rst

    Un article simple sur plusieurs écriture de la
    même fonction de façon de plus en plus efficace :
    `Understanding the FFT Algorithm
    <https://jakevdp.github.io/blog/2013/08/28/understanding-the-fft/>`_.




.. blogpostagg::
    :title: Schéma de données de modélisation de risques
    :date: 2020-08-10
    :keywords: plagiat
    :categories: library
    :rawfile: 2020/2020-08-10_donnees.rst

    Je suis tombé dessus par hasard :
    `RDOS <https://github.com/RMS-open-standards/RDOS>`_.
    Ce ne sont pas des données mais des schémas de données
    qui permettent de modéliser différents risques financiers
    liés à la propriétés. Cela donne des idées pour qui
    voudrait faire quelque chose dans ce sens. Ce ne sont pas
    des données, mais ça donne une idée des données qu'il faudrait
    aller chercher.




.. blogpostagg::
    :title: Plagiat
    :date: 2020-08-08
    :keywords: plagiat
    :categories: library
    :rawfile: 2020/2020-08-08_plagiat.rst

    Je suis tombé dessus par hasard :
    `pycode_similar <https://github.com/fyrestone/pycode_similar>`_.
    Je n'ai pas essayé.




.. blogpostagg::
    :title: Online machine learning
    :date: 2020-07-09
    :keywords: sprint,scikit-learn,online machine learning
    :categories: library
    :rawfile: 2020/2020-07-09_creme.rst

    A découvrir :
    `creme <https://github.com/creme-ml/creme/>`_
    pour faire de l'online machine learning
    (streaming).
    

    ...




.. blogpostagg::
    :title: In a sprint from home
    :date: 2020-06-23
    :keywords: sprint,scikit-learn
    :categories: sprint
    :rawfile: 2020/2020-06-23_sklearn_sprint.rst

    Quelques liens... Sinon, ce n'est pas évident de faire
    un sprint à distance. Ca reste, dans mon esprit un
    événement festif.
    

    ...




.. blogpostagg::
    :title: Outils pour trucs chiants
    :date: 2020-06-19
    :keywords: outils,automatisation
    :categories: automatisation
    :rawfile: 2020/2020-06-19_tools.rst

    Il existe beaucoup de trucs chiants qu'on fait
    régulièrement quand on programme. Par exemple, pour ces cours,
    maintenir à jour tous les notebooks en dépit des nombreuses
    mises à jour de pandas, scikit-learn, numpy et j'en passe...
    C'est très chiant, surtout si on envisage de le faire manuellement
    (il y a plus de 200 notebooks). Alors c'est quand même beaucoup
    moins chiants de réfléchir à une façon de l'automatiser.
    Quand j'ai commencé il y a cinq ans à réfléchir à tout
    ça, il n'existait pas tous les outils dont on dispose aujourd'hui.
    J'ai fourré plein de codes dans un module :epkg:`pyquickhelper`
    qui m'aide à faire tourner tous les notebooks chaque semaine
    avec :epkg:`Jenkins` pour m'assurer qu'ils fonctionnent encore.
    Mais aujourd'hui, je vous dirais qu'il existe un outil pour
    à peu près tout car il est très probable que, quelque soit
    votre besoin, quelqu'un ait eu le même. Il suffit de chercher.
    

    ...




.. blogpostagg::
    :title: Parallélisation avec pathos
    :date: 2020-05-04
    :keywords: pathos,livre,tutoriel
    :categories: module
    :rawfile: 2020/2020-05-04_reading.rst

    * `pathos <https://pypi.org/project/pathos/>`_
    * `interlap <http://brentp.github.io/interlap/>`_
    * `BayesianOptimization <https://github.com/fmfn/BayesianOptimization>`_,
      optimisation bayésienne en pure python
    
    Le livre suivant a l'air pas mal du tout :
    `Mastering Large Datasets with Python
    <https://www.manning.com/books/mastering-large-datasets-with-python>`_.
    

    ...




.. blogpostagg::
    :title: Quelques vidéos de PyCon
    :date: 2020-05-01
    :keywords: pycon,conférences
    :categories: papers
    :rawfile: 2020/2020-05-01_pycon.rst

    Première vidéo à propos de "privacy" ou protection des données :
    `tensorflow_privacy <https://github.com/tensorflow/privacy>`_,
    `Practical privacy-preserving machine learning in Python
    <https://www.youtube.com/watch?v=NUk6QN02UxQ>`_.
    

    ...




.. blogpostagg::
    :title: Worst case scenarios
    :date: 2020-04-08
    :keywords: tree,branch bound
    :categories: papers
    :rawfile: 2020/2020-04-08_paper.rst

    J'ai découvert les publications de
    `Maria-Florina Balcan <https://www.csd.cs.cmu.edu/people/faculty/maria-balcan>`_
    aujourd'hui. Un de ses axes de recherches est - je cite -
    **Analysis of Algorithms beyond the Worst Case**.
    Celui-ci propose une amélioration de la construction d'arbres
    utilisés pour optimiser la recherche d'éléments dans
    un espace vectoriel : `Learning to Branch
    <http://www.cs.cmu.edu/~ninamf/papers/learn-branch.pdf>`_.
    Je recommande aussi les livres cités sur la page de son cours :
    `Advanced Introduction to Machine Learning <http://www.cs.cmu.edu/~10715-f18/>`_.
    Parmi ceux que j'ai envie de lire :
    `The Power of Localization
    for Efficiently Learning Linear Separators with Noise
    <http://www.cs.cmu.edu/~ninamf/papers/ABL16_malicious_jacm.pdf>`_,
    `Data Driven Resource Allocation for Distributed Learning
    <http://www.cs.cmu.edu/~ninamf/papers/data-driven-resource-allocation.pdf>`_,
    `Learning Valuation Functions
    <http://www.cs.cmu.edu/~ninamf/papers/learn-vals.pdf>`_,
    `Dispersion for Data-Driven Algorithm Design, Online Learning, and Private Optimization
    <https://arxiv.org/pdf/1711.03091.pdf>`_.
    

    ...





----

|rss_image| :ref:`<== <ap-main-2>`  **page de blog - 4/16** :ref:`==> <ap-main-4>` :ref:`2022-10 (1) <ap-month-2022-10-0>` :ref:`2022-12 (2) <ap-month-2022-12-0>` :ref:`2023-01 (1) <ap-month-2023-01-0>` :ref:`2023-02 (1) <ap-month-2023-02-0>` :ref:`2023-04 (1) <ap-month-2023-04-0>`