Notebooks Coverage

Report on last executions.

91% 2020-12-23

_images/nbcov-2020-12-23.png

index

coverage

exe time

last execution

name

title

success

time

nb cells

nb runs

nb valid

0

100%

8.341

2020-12-23

1a/code_liste_tuple.ipynb

1A.1 - Liste, tuple, ensemble, dictionnaire, liste chaînée, coût des opérations

True

9.256876658648252

4

4

4

1

100%

2.383

2020-12-23

1a/code_multinomial.ipynb

1A.1 - Simuler une loi multinomiale

True

3.285555249080062

12

12

12

2

100%

2.796

2020-12-23

1a/coloriage_carre.ipynb

Jeux de coloriage

True

3.679053343832493

23

23

23

3

100%

0.431

2020-12-23

1a/exercice_echelle.ipynb

1A.algo - Calculer le nombre de façons de monter une échelle.

True

1.322071623057127

6

6

6

4

100%

1.484

2020-12-23

1a/exercice_morse.ipynb

1A.algo - Décoder du Morse sans espaces

True

3.0129588637501

16

16

16

5

100%

1.642

2020-12-23

1a/exercice_plus_grande_somme.ipynb

1A.algo - La sous-séquence de plus grande somme

True

2.559277765452862

15

15

15

6

100%

0.287

2020-12-23

1a/exercice_xn.ipynb

1A.algo - Calculer x**n le plus rapidement possible

True

1.1925891786813736

4

4

4

7

100%

0.726

2020-12-23

1a/histogramme_rapide.ipynb

1A.1 - Histogramme et dictionnaire

True

1.5927066914737225

8

8

8

8

100%

23.121

2020-12-23

1a/nbheap.ipynb

Heap

True

24.763422017917037

15

15

15

9

100%

5.352

2020-12-23

1a/profiling_example.ipynb

1A.soft - Exemple de profiling

True

6.888518467545509

11

11

11

10

100%

0.669

2020-12-23

1a/recherche_dichotomique.ipynb

1A.algo - Recherche dichotomique

True

1.5734366364777088

9

9

9

11

100%

2.809

2020-12-23

1a/structures_donnees_conversion.ipynb

1A.1 - D’une structure de données à l’autre

True

3.703772772103548

29

29

29

12

100%

0.929

2020-12-23

1a/tableau_contingence.ipynb

1A.1 - Calculer un chi 2 sur un tableau de contingence

True

1.7900024503469467

8

8

8

13

100%

18.382

2020-12-23

1a/tri_nlnd.ipynb

1A.algo - Tri plus rapide que prévu

True

19.285389736294746

17

17

17

14

0%

nan

2014-2015/2015_factorisation_matrice.ipynb

3A.mr - 2015 - Factorisation de matrice avec PIG

nan

34

0

15

0%

nan

2014-2015/2015_kmeans.ipynb

3A.mr - 2015 - Kmeans avec PIG

nan

104

0

16

0%

nan

2014-2015/2015_page_rank.ipynb

3A.mr - 2015 - PageRank avec PIG

nan

51

0

17

100%

59.772

2020-12-23

2016-2017/solution_2016_credit_clement.ipynb

2016 - Une solution à la compétition de machine learning 2A

True

61.21555040962994

28

28

28

18

100%

4.990

2020-12-23

2016/td2a_eco_competition_comparer_classifieurs.ipynb

2A.ml - 2016 - Compétition - Préparation des données

True

5.8833137936890125

16

16

16

19

100%

5.847

2020-12-23

2016/td2a_eco_competition_modeles_logistiques.ipynb

2A.ml - 2016 - Compétition ENSAE - Premiers modèles

True

6.773752333596349

26

26

26

20

100%

78.161

2020-12-23

2016/td2a_eco_competition_statsdesc.ipynb

2A.ml - 2016 - Compétition - Importation des données

True

79.85833224654198

22

22

22

21

100%

4.937

2020-12-23

2017-2018/dimensions_reduction.ipynb

Réduction des dimensions

True

6.531828241422772

20

20

20

22

100%

6.202

2020-12-23

2017/prepare_data_2017.ipynb

2A.ml - 2017 - Préparation des données

True

7.092951741069555

43

43

43

23

89%

1.967

2020-12-23

2018-2019/2018-09-18_rappels_python.ipynb

2018-09-18 - Rappels sur le langage python

True

3.0274128671735525

28

25

25

24

100%

3.368

2020-12-23

2018-2019/2018-09-18_rappels_python_pandas_matplotlib.ipynb

2018-09-18 - Rappels sur pandas et maplotlib

True

4.3227999191731215

29

29

29

25

100%

3.269

2020-12-23

2018-2019/2018-09-18_sklearn_api.ipynb

2018-09-18 - API de scikit-learn

True

4.197066616266966

21

21

21

26

100%

0.902

2020-12-23

2018-2019/2018-09-25_distance_entre_mots.ipynb

2018-09-25 - Distance entre mots

True

1.8843579962849617

11

11

11

27

100%

6.224

2020-12-23

2018-2019/2018-10-02_scraping_recuperer_images.ipynb

2018-10-02 - Scraping, récupérer une image depuis LeMonde

True

7.133804613724351

20

20

20

28

100%

40.647

2020-12-23

2018-2019/2018-10-09_ensemble_gradient_boosting.ipynb

2018-10-09 Ensemble, Gradient, Boosting…

True

41.56793675944209

18

18

18

29

100%

5.082

2020-12-23

2a/bayesian_with_python.ipynb

2A.ml - Bayesian models with Python

True

11.444213828071952

19

19

19

30

100%

99.122

2020-12-23

2a/cffi_linear_regression.ipynb

Optimisation de code avec cffi, numba, cython

True

100.29823444597423

92

92

92

31

100%

1.887

2020-12-23

2a/dataframe_matrix_speed.ipynb

2A.i - Mesures de vitesse sur les dataframes

True

2.765697995200753

15

15

15

32

100%

6.602

2020-12-23

2a/git_notebook.ipynb

2A.soft - Git depuis le notebook

True

7.98562534339726

23

23

23

33

100%

0.577

2020-12-23

2a/jupyter_custom_magics.ipynb

2A.soft - Custom Magics for Jupyter

True

1.8922922108322382

5

5

5

34

100%

8.307

2020-12-23

2a/ml_timeseries_base.ipynb

2A.ml - Timeseries et machine learning

True

9.82050028629601

28

28

28

35

100%

1.145

2020-12-23

2a/notebook_convert.ipynb

2A.soft - Convert a notebook into a document

True

2.093740863725543

8

8

8

36

100%

84.023

2020-12-23

2a/seance_5_dask.ipynb

2A.i - Données non structurées, programmation fonctionnelle : dask

True

85.04946649633348

16

16

16

37

100%

41.995

2020-12-23

2a/seance_5_intro_et_json.ipynb

2A.i - Données non structurées, programmation fonctionnelle

True

42.933407904580235

20

20

20

38

100%

94.967

2020-12-23

2a/seance_5_prog_fonctionnelle.ipynb

2A.i - programmation fonctionnelle

True

96.63056733086705

44

44

44

39

100%

9.908

2020-12-23

2a/timeseries_ssa.ipynb

Single Spectrum Analysis (SSA)

True

10.821970127522945

27

27

27

40

100%

1000.889

2020-12-23

data/data_irep.ipynb

IREP: registre des émissions polluantes

True

1002.0503606777638

21

21

21

41

100%

4.171

2020-12-23

data/deal_flow_espace_vert.ipynb

Deal flow espaces verts 2018 - 2019

True

5.128129282966256

14

14

14

42

100%

0.905

2020-12-23

exams/interro_rapide_20_minutes_2014_09.ipynb

1A.e - Correction de l’interrogation écrite du 26 septembre 2014

True

1.8028288632631302

12

12

12

43

100%

1.538

2020-12-23

exams/interro_rapide_20_minutes_2014_10.ipynb

1A.e - Correction de l’interrogation écrite du 10 octobre 2014

True

2.433267341926694

17

17

17

44

82%

3.128

2020-12-23

exams/interro_rapide_20_minutes_2014_11.ipynb

1A.e - Correction de l’interrogation écrite du 14 novembre 2014

True

4.795374937355518

35

29

29

45

100%

1.135

2020-12-23

exams/interro_rapide_20_minutes_2014_12.ipynb

1A.e - Correction de l’interrogation écrite du 14 novembre 2014

True

2.1470750980079174

15

15

15

46

100%

0.563

2020-12-23

exams/interro_rapide_20_minutes_2015_09.ipynb

1A.e - Correction de l’interrogation écrite du 26 septembre 2015

True

1.4371318742632866

12

12

12

47

100%

0.858

2020-12-23

exams/interro_rapide_20_minutes_2015_11.ipynb

1A.e - Correction de l’interrogation écrite du 6 novembre 2015

True

1.7942990325391293

16

16

16

48

100%

6.492

2020-12-23

exams/td_note_2013_bout_de_code_coloriage.ipynb

1A.e - TD noté, 27 novembre 2012 (éléments de code pour le coloriage)

True

7.363671807572246

6

6

6

49

100%

15.861

2020-12-23

exams/td_note_2013_coloriage_correction.ipynb

1A.e - TD noté, 27 novembre 2012 (coloriage, correction)

True

16.8142769318074

14

14

14

50

100%

2.979

2020-12-23

exams/td_note_2015.ipynb

1A.e - TD noté, 5 décembre 2014

True

3.8765269108116627

36

36

36

51

100%

0.166

2020-12-23

exams/td_note_2015_rattrapage_enonce.ipynb

1A.e - TD noté 2015 rattrapage (énoncé, écrit et oral)

True

1.0988861359655857

6

6

6

52

100%

3.195

2020-12-23

exams/td_note_2016.ipynb

1A.e - TD noté, 11 décembre 2015

True

4.106109861284494

26

26

26

53

100%

1.982

2020-12-23

exams/td_note_2017.ipynb

1A.e - TD noté, 16 décembre 2016

True

2.9067938569933176

23

23

23

54

100%

1.671

2020-12-23

exams/td_note_2017_2.ipynb

1A.e - TD noté, 21 février 2017

True

2.647178253158927

21

21

21

55

100%

4.684

2020-12-23

exams/td_note_2018_1.ipynb

1A.e - Enoncé 12 décembre 2017 (1)

True

5.618073131889105

25

25

25

56

100%

3.691

2020-12-23

exams/td_note_2018_2.ipynb

1A.e - Enoncé 12 décembre 2017 (2)

True

4.588305700570345

21

21

21

57

100%

19.445

2020-12-23

exams/td_note_2019_1.ipynb

1A.e - Enoncé 23 octobre 2018 (1)

True

20.356428949162364

17

17

17

58

100%

8.752

2020-12-23

exams/td_note_2019_2.ipynb

1A.e - Enoncé 23 octobre 2018 (2)

True

9.64689644984901

18

18

18

59

100%

4.953

2020-12-23

exams/td_note_2020_1.ipynb

1A.e - Enoncé 22 octobre 2019 (1)

True

6.237111981958151

29

29

29

60

100%

4.161

2020-12-23

exams/td_note_2020_2.ipynb

1A.e - Enoncé 22 octobre 2019 (2)

True

5.187704773619771

28

28

28

61

100%

5.624

2020-12-23

exams/td_note_2021.ipynb

1A - Enoncé 24 novembre 2021

True

6.513560704886913

24

24

24

62

100%

19.219

2020-12-23

expose/BJKST.ipynb

2A.algo - Algorithmes de streaming : généralités

True

20.755396420136094

39

39

39

63

100%

4.102

2020-12-23

expose/expose_TSP.ipynb

2A.algo - Réflexions autour du voyage de commerce (TSP)

True

4.985412307083607

11

11

11

64

100%

1.483

2020-12-23

expose/expose_einstein_riddle.ipynb

2A.algo - L’énigme d’Einstein et sa résolution

True

3.894224502146244

4

4

4

65

100%

6.407

2020-12-23

expose/expose_graphe_et_map_reduce.ipynb

3A.mr - Graphes et Map Reduce

True

7.996671844273806

11

11

11

66

100%

0.700

2020-12-23

expose/expose_rwr_recommandation.ipynb

3A.mr - Random Walk with Restart (système de recommandations)

True

2.1270858235657215

4

4

4

67

100%

1.892

2020-12-23

expose/expose_vigenere.ipynb

1A.algo - Casser le code de Vigenère

True

2.867079071700573

9

9

9

68

100%

17.137

2020-12-23

expose/hash_distribution.ipynb

2A.algo - Hash et distribution

True

18.633886439725757

14

14

14

69

100%

22.565

2020-12-23

expose/ml_features_model.ipynb

2A.ml - Features ou modèle

True

24.035358166322112

15

15

15

70

100%

7.513

2020-12-23

expose/ml_huge_datasets.ipynb

2A.i - Huge datasets, datasets hiérarchiques

True

8.590654380619526

21

21

21

71

100%

626.031

2020-12-09

expose/ml_rue_paris_parcours.ipynb

2A.algo - Parcourir les rues de Paris

True

627.4762265495956

24

24

24

72

100%

175.259

2020-12-09

expose/ml_table_mortalite.ipynb

2A.i - Table de mortalité dans plusieurs containers

True

176.74017418362203

35

35

35

73

100%

2.570

2020-12-16

sklearn_ensae_course/00_introduction_machine_learning_and_data.ipynb

2A.ML101.0: What is machine learning?

True

3.8143910486251116

13

13

13

74

100%

2.483

2020-12-16

sklearn_ensae_course/01_data_manipulation.ipynb

2A.ML101.1: Introduction to data manipulation with scientific Python

True

3.3810701463371515

18

18

18

75

100%

3.393

2020-12-16

sklearn_ensae_course/02_basic_of_machine_learning_with_scikit-learn.ipynb

2A.ML101.2: Basic principles of machine learning with scikit-learn

True

4.3498998284339905

15

15

15

76

100%

6.976

2020-12-16

sklearn_ensae_course/03_supervised_classification.ipynb

2A.ML101.3: Supervised Learning: Classification of Handwritten Digits

True

7.959204548969865

12

12

12

77

100%

3.925

2020-12-16

sklearn_ensae_course/04_supervised_regression.ipynb

2A.ML101.4: Supervised Learning: Regression of Housing Data

True

4.848647344857454

12

12

12

78

100%

7.524

2020-12-16

sklearn_ensae_course/05_measuring_prediction_performance.ipynb

2A.ML101.5: Measuring prediction performance

True

8.449212476611137

23

23

23

79

100%

7.463

2020-12-16

sklearn_ensae_course/06_unsupervised_dimreduction.ipynb

2A.ML101.6: Unsupervised Learning: Dimensionality Reduction and Visualization

True

8.41798660159111

18

18

18

80

100%

6.557

2020-12-16

sklearn_ensae_course/07_application_to_face_recognition.ipynb

2A.ML101.7: Example from Image Processing

True

7.493706963956356

19

19

19

81

100%

4.094

2020-12-16

sklearn_ensae_course/08_validation_and_learning_curves.ipynb

2A.ML101.8: Parameter selection, Validation & Testing

True

5.041016140952706

15

15

15

82

100%

0.303

2020-12-23

td1a/integrale_rectangle.ipynb

1A.1 - Intégrale et la méthode des rectangles

True

1.2172423414885998

6

6

6

83

100%

3.025

2020-12-23

td1a/integrale_rectangle_correction.ipynb

1A.1 - Intégrale et la méthode des rectangles - correction

True

4.17777162976563

30

30

30

84

100%

0.206

2020-12-23

td1a/j2048.ipynb

1A.2 - 2048 - stratégie gagnante

True

1.7703052517026663

3

3

3

85

100%

0.961

2020-12-23

td1a/j2048_correction.ipynb

1A.2 - 2048 - stratégie gagnante - correction

True

1.8545883409678936

11

11

11

86

100%

18.530

2020-12-23

td1a/matrix_dictionary.ipynb

Produit matriciel avec une matrice creuse

True

19.94138126820326

20

20

20

87

100%

0.272

2020-12-23

td1a/pp_exo_deviner_un_nombre.ipynb

1A.1 - Deviner un nombre aléatoire

True

1.1809975858777761

5

5

5

88

100%

0.491

2020-12-23

td1a/pp_exo_deviner_un_nombre_correction.ipynb

1A.1 - Deviner un nombre aléatoire (correction)

True

1.8160720635205507

7

7

7

89

75%

1.020

2020-12-23

td1a/td1a_cenonce_session1.ipynb

1A.0 - Premiers pas en Python

True

2.399999348446727

16

12

12

90

100%

2.761

2020-12-23

td1a/td1a_cenonce_session2.ipynb

1A.1 - Variables, boucles, tests

True

3.699247434735298

30

30

30

91

100%

1.653

2020-12-23

td1a/td1a_cenonce_session3.ipynb

1A.1 - Dictionnaires, fonctions, code de Vigenère

True

2.859859412536025

26

26

26

92

100%

2.126

2020-12-23

td1a/td1a_cenonce_session4.ipynb

1A.2 - Modules, fichiers, expressions régulières

True

3.13259500823915

20

20

20

93

100%

1.278

2020-12-23

td1a/td1a_cenonce_session5.ipynb

1A.2 - Classes, méthodes, attributs, opérateurs et carré magique

True

2.19897591881454

17

17

17

94

100%

0.757

2020-12-23

td1a/td1a_cenonce_session6.ipynb

1A.2 - Classes, héritage

True

2.095701603218913

11

11

11

95

100%

0.943

2020-12-23

td1a/td1a_correction_session1.ipynb

1A.0 - Premiers pas en Python (correction)

True

2.1045541130006313

13

13

13

96

100%

0.660

2020-12-23

td1a/td1a_correction_session2.ipynb

1A.1 - Variables, boucles, tests (correction)

True

1.5638665053993464

8

8

8

97

100%

0.611

2020-12-23

td1a/td1a_correction_session3.ipynb

1A.1 - Dictionnaires, fonctions, code de Vigenère (correction)

True

1.5003398396074772

9

9

9

98

100%

2.390

2020-12-23

td1a/td1a_correction_session4.ipynb

1A.2 - Modules, fichiers, expressions régulières (correction)

True

3.2743201553821564

20

20

20

99

100%

9.863

2020-12-23

td1a/td1a_correction_session5.ipynb

1A.2 - Classes, méthodes, attributs, opérateurs et carré magique (correction)

True

11.262175176292658

12

12

12

100

100%

0.454

2020-12-23

td1a/td1a_correction_session6.ipynb

1A.2 - Classes, héritage (correction)

True

1.9880787376314402

5

5

5

101

100%

0.623

2020-12-23

td1a/td1a_pyramide_bigarree.ipynb

1A.1 - Tracer une pyramide bigarrée

True

1.7110699266195297

5

5

5

102

100%

1.428

2020-12-23

td1a/td1a_pyramide_bigarree_correction.ipynb

1A.1 - Tracer une pyramide bigarrée - correction

True

2.3280893620103598

11

11

11

103

100%

0.734

2020-12-23

td1a/texte_langue.ipynb

1A.2 - Deviner la langue d’un texte

True

2.0113735757768154

6

6

6

104

100%

4.456

2020-12-23

td1a/texte_langue_correction.ipynb

1A.2 - Deviner la langue d’un texte (correction)

True

5.326518753543496

23

23

23

105

100%

0.288

2020-12-23

td1a_algo/BJKST_enonce.ipynb

1A.algo - BJKST - calculer le nombre d’éléments distincts

True

1.2081826403737068

4

4

4

106

100%

2.411

2020-12-23

td1a_algo/graph1exo_parcours.ipynb

1A.algo - Parcours de graphe

True

3.6998871825635433

8

8

8

107

100%

1.129

2020-12-23

td1a_algo/graph1exo_parcours_correction.ipynb

1A.algo - Parcours de graphe - correction

True

2.2979091852903366

9

9

9

108

100%

0.553

2020-12-23

td1a_algo/graph4exos.ipynb

1A.algo - Des problèmes de graphes

True

1.4609954971820116

6

6

6

109

100%

0.700

2020-12-23

td1a_algo/graph_spectral_clustering.ipynb

1A.algo - Spectral Clustering

True

2.00271612778306

6

6

6

110

100%

1.209

2020-12-23

td1a_algo/graph_spectral_clustering_correction.ipynb

1A.algo - Spectral Clustering - correction

True

2.146484285593033

11

11

11

111

100%

0.117

2020-12-23

td1a_algo/td1a_cenonce_session4_5_jaccard.ipynb

1A.algo - distance de Jaccard (dictionnaires)

True

1.3781817946583033

4

4

4

112

100%

3.020

2020-12-23

td1a_algo/td1a_cenonce_session7.ipynb

1A.algo - Programmation dynamique et plus court chemin

True

3.939243532717228

17

17

17

113

100%

0.398

2020-12-23

td1a_algo/td1a_cenonce_session7_edition.ipynb

1A.algo - La distance d’édition

True

1.762898275628686

8

8

8

114

100%

0.293

2020-12-23

td1a_algo/td1a_cenonce_session8.ipynb

1A.algo - Arbre et Trie

True

1.7749008443206549

10

10

10

115

100%

0.097

2020-12-23

td1a_algo/td1a_cenonce_session8_wikiroot.ipynb

1A.algo - Parcours dans un graphe (wikipédia)

True

1.4117798060178757

4

4

4

116

100%

0.437

2020-12-23

td1a_algo/td1a_cenonce_session9.ipynb

1A.algo - Optimisation sous contrainte

True

1.3105228077620268

6

6

6

117

100%

4.205

2020-12-23

td1a_algo/td1a_correction_session4_5_jaccard.ipynb

1A.algo - distance de Jaccard (dictionnaires) - correction

True

5.1123780235648155

17

17

17

118

100%

4.436

2020-12-23

td1a_algo/td1a_correction_session7.ipynb

1A.algo - Programmation dynamique et plus court chemin (correction)

True

5.674652369692922

15

15

15

119

100%

1.735

2020-12-23

td1a_algo/td1a_correction_session7_edition.ipynb

1A.algo - La distance d’édition (correction)

True

2.6678103487938643

20

20

20

120

100%

52.513

2020-12-23

td1a_algo/td1a_correction_session8.ipynb

1A.algo - Arbre et Trie (correction)

True

53.71339441277087

20

20

20

121

100%

5.211

2020-12-23

td1a_algo/td1a_correction_session8_wikiroot.ipynb

1A.algo - Parcours dans un graphe (wikipédia) - correction

True

6.121362524107099

5

5

5

122

100%

1.101

2020-12-23

td1a_algo/td1a_correction_session9.ipynb

1A.algo - Optimisation sous contrainte (correction)

True

2.63405292481184

7

7

7

123

100%

0.000

2020-12-23

td1a_algo/td1a_plus_grande_somme.ipynb

1A.algo - la plus grande sous-séquence croissante

True

0.8852070681750774

1

1

1

124

100%

139.645

2020-12-23

td1a_algo/td1a_plus_grande_somme_correction.ipynb

1A.algo - la plus grande sous-séquence croissante - correction

True

140.90351588837802

10

10

10

125

87%

1.277

2020-12-23

td1a_algo/td1a_quicksort.ipynb

1A.algo - Quicksort

True

2.158875497058034

8

7

7

126

100%

2.130

2020-12-23

td1a_algo/td1a_quicksort_correction.ipynb

1A.algo - quicksort - correction

True

3.3762330897152424

10

10

10

127

100%

0.658

2020-12-23

td1a_algo/td1a_sobel.ipynb

1A.algo - filtre de Sobel

True

1.5389648228883743

6

6

6

128

100%

4.517

2020-12-23

td1a_algo/td1a_sobel_correction.ipynb

1A.algo - filtre de Sobel - correction

True

5.802423032000661

8

8

8

129

100%

0.095

2020-12-23

td1a_dfnp/decorrelation.ipynb

1A.data - Décorrélation de variables aléatoires

True

1.302770571783185

7

7

7

130

100%

1.171

2020-12-23

td1a_dfnp/decorrelation_correction.ipynb

1A.data - Décorrélation de variables aléatoires - correction

True

2.083033863455057

15

15

15

131

100%

5.316

2020-12-23

td1a_dfnp/td1a_cenonce_session_10.ipynb

1A.data - DataFrame et Matrice

True

6.723452055826783

51

51

51

132

100%

21.646

2020-12-23

td1a_dfnp/td1a_cenonce_session_12_carte.ipynb

1A.data - Visualisation des données - cartes

True

23.052087236195803

22

22

22

133

100%

5.663

2020-12-23

td1a_dfnp/td1a_cenonce_session_12_js.ipynb

1A.data - Visualisation des données - graphes interactifs

True

6.751670839264989

9

9

9

134

87%

18.599

2020-12-23

td1a_dfnp/td1a_cenonce_session_12_plot.ipynb

1A.data - Visualisation des données

True

19.577898770570755

16

14

14

135

100%

6.288

2020-12-23

td1a_dfnp/td1a_correction_session_10.ipynb

1A.data - DataFrame et Matrice (correction)

True

7.338615566492081

18

18

18

136

100%

29.118

2020-12-23

td1a_dfnp/td1a_correction_session_12.ipynb

1A.data - visualisation des données - correction

True

30.39456583932042

14

14

14

137

100%

10.755

2020-12-23

td1a_home/2020_carte.ipynb

Tech - carte

True

11.644493943080306

23

23

23

138

100%

11.575

2020-12-23

td1a_home/2020_covid.ipynb

Algo - simulation COVID

True

12.498124619945884

30

30

30

139

100%

1.335

2020-12-23

td1a_home/2020_edit.ipynb

Algo - distance d’édiction

True

2.365357568487525

15

15

15

140

100%

6.437

2020-12-23

td1a_home/2020_graph.ipynb

Algo - Graphe - Composantes connexes

True

7.348020588979125

15

15

15

141

100%

5.444

2020-12-23

td1a_home/2020_json_xml.ipynb

Tech - JSON - XML

True

6.387979680672288

45

45

45

142

100%

45.159

2020-12-23

td1a_home/2020_numpy.ipynb

Tech - calcul matriciel avec numpy

True

46.77796580083668

35

35

35

143

100%

1.270

2020-12-23

td1a_home/2020_ordonnancement.ipynb

Algo - Problème d’ordonnancement

True

2.207588253542781

11

11

11

144

100%

9.144

2020-12-23

td1a_home/2020_pandas.ipynb

Tech - manipulation de données avec pandas

True

10.157992282882333

64

64

64

145

100%

10.513

2020-12-23

td1a_home/2020_profile.ipynb

Tech - profiling

True

11.438171215355396

18

18

18

146

100%

1.173

2020-12-23

td1a_home/2020_regex.ipynb

Tech - expressions régulières

True

2.07508903183043

14

14

14

147

100%

5.058

2020-12-23

td1a_home/2020_rest.ipynb

Tech - API REST pour deep learning avec FastAPI

True

6.055343819782138

28

28

28

148

100%

1.159

2020-12-23

td1a_home/2020_suffix.ipynb

Algo - jeux de dictionnaires, plus grand suffix commun

True

2.070795441046357

13

13

13

149

100%

4.250

2020-12-23

td1a_home/2020_surface.ipynb

Algo - Calculs de surface et autres calculs

True

5.129657007753849

16

16

16

150

100%

19.589

2020-12-23

td1a_home/2020_topk.ipynb

Algo - les k premiers éléments

True

20.486376533284783

32

32

32

151

100%

2.303

2020-12-23

td1a_home/2020_tsp.ipynb

Algo - TSP - Traveling Salesman Problem

True

3.176686340942979

14

14

14

152

100%

4.669

2020-12-23

td1a_soft/td1a_cython_edit.ipynb

1A.soft - Calcul numérique et Cython

True

5.607270346954465

15

15

15

153

100%

1.811

2020-12-23

td1a_soft/td1a_cython_edit_correction.ipynb

1A.soft - Calcul numérique et Cython - correction

True

3.7482851948589087

8

8

8

154

100%

59.248

2020-12-23

td1a_soft/td1a_sql.ipynb

1A.soft - Notions de SQL

True

60.174370834603906

34

34

34

155

100%

54.342

2020-12-23

td1a_soft/td1a_sql_correction.ipynb

1A.soft - Notions de SQL - correction

True

55.31640422344208

15

15

15

156

100%

6.420

2020-12-23

td1a_soft/td1a_unit_test_ci.ipynb

1A.soft - Tests unitaires, setup et ingéniérie logicielle

True

7.358993487432599

14

14

14

157

100%

1.220

2020-12-23

td2a/ml_crypted_data.ipynb

2A.ml - Machine Learning et données cryptées

True

2.146075237542391

9

9

9

158

100%

7.419

2020-12-23

td2a/ml_crypted_data_correction.ipynb

2A.ml - Machine Learning et données cryptées - correction

True

8.965017026290298

38

38

38

159

100%

1.152

2020-12-23

td2a/pandas_iterator.ipynb

2A.data - Pandas et itérateurs

True

2.1479944232851267

8

8

8

160

100%

2.344

2020-12-23

td2a/pandas_iterator_correction.ipynb

2A.data - Pandas et itérateurs - correction

True

3.917683459818363

19

19

19

161

100%

0.115

2020-12-23

td2a/td2a_bigdata_memory.ipynb

2A.i - Stratégies et grandes matrices en mémoire

True

1.587170947343111

8

8

8

162

96%

22.824

2020-12-23

td2a/td2a_cenonce_session_1.ipynb

2A.data - DataFrame et Graphes

True

23.89178466796875

75

72

72

163

100%

5.748

2020-12-23

td2a/td2a_cenonce_session_2A.ipynb

2A.data - Calcul Matriciel, Optimisation

True

6.771011833101511

71

71

71

164

100%

0.346

2020-12-23

td2a/td2a_cenonce_session_2C.ipynb

2A.soft - Jupyter et commandes magiques

True

1.3065812215209007

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%

0.626

2020-12-23

td2a/td2a_cenonce_session_2E.ipynb

2A.i - Sérialisation

True

1.5323790106922388

8

8

8

168

100%

1.535

2020-12-23

td2a/td2a_cenonce_session_5.ipynb

2A.i - Modèle relationnel, analyse d’incidents dans le transport aérien

True

2.464765537530184

20

20

20

169

100%

8.667

2020-12-23

td2a/td2a_cenonce_session_5_donnees_non_structurees_et_programmation_fonctionnelle.ipynb

2A.i - Données non structurées et programmation fonctionnelle

True

9.590998703613877

30

30

30

170

96%

16.559

2020-12-23

td2a/td2a_correction_session_1.ipynb

2A.data - DataFrame et Graphes - correction

True

17.503959039226174

27

26

26

171

100%

3.863

2020-12-16

td2a/td2a_correction_session_2A.ipynb

2A.data - Calcul Matriciel, Optimisation - correction

True

4.842431562021375

13

13

13

172

100%

1.092

2020-12-16

td2a/td2a_correction_session_2C.ipynb

2A.soft - IPython et commandes magiques - correction

True

2.0256183315068483

6

6

6

173

100%

12.199

2020-12-16

td2a/td2a_correction_session_2E.ipynb

2A.i - Sérialisation - correction

True

14.156203811988235

22

22

22

174

100%

0.463

2020-12-23

td2a/td2a_correction_session_5.ipynb

2A.i - Modèle relationnel, analyse d’incidents dans le transport aérien - correction

True

1.3660593908280134

3

3

3

175

100%

22.022

2020-12-23

td2a/td2a_correction_session_5_donnees_non_structurees_et_programmation_fonctionnelle_corrige.ipynb

2A.i - Données non structurées, programmation fonctionnelle - correction

True

22.986241230741143

33

33

33

176

100%

3.897

2020-12-23

td2a/td2a_ml_text_features.ipynb

2A.ml - Classification binaire avec features textuelles

True

4.772276218980551

18

18

18

177

100%

13.319

2020-12-23

td2a/td2a_ml_text_features_correction.ipynb

2A.ml - Classification binaire avec features textuelles - correction

True

15.902124730870128

23

23

23

178

100%

12.166

2020-12-23

td2a/td2a_progressbar.ipynb

2A.i - ProgressBar et fusion de random forest - énoncé

True

13.362706551328301

6

6

6

179

100%

20.827

2020-12-23

td2a/td2a_some_nlp.ipynb

2A.ml - Texte et machine learning

True

21.81791285984218

36

36

36

180

90%

33.992

2020-12-23

td2a/td2a_visualisation.ipynb

2A.data - Matplotlib

True

35.45010739006102

42

38

38

181

100%

0.116

2020-12-23

td2a_algo/gentry_integer_encryption.ipynb

Cryptage homomorphic de Craig Gentry

True

1.420279273763299

6

6

6

182

100%

0.270

2020-12-23

td2a_algo/gentry_integer_encryption_correction.ipynb

Cryptage homomorphic de Craig Gentry - correction

True

5.736113704741001

6

6

6

183

100%

13.129

2020-12-23

td2a_algo/knn_high_dimension.ipynb

2A.algo - Plus proches voisins en grande dimension

True

14.165097756311297

8

8

8

184

100%

31.066

2020-12-23

td2a_algo/knn_high_dimension_correction.ipynb

2A.algo - Plus proches voisins en grande dimension - correction

True

31.989277333021164

20

20

20

185

100%

0.153

2020-12-23

td2a_algo/td2a_cenonce_session_6A.ipynb

2A.algo - Puzzles algorithmiques (1)

True

1.0810949001461267

6

6

6

186

100%

0.113

2020-12-23

td2a_algo/td2a_cenonce_session_6B.ipynb

2A.algo - Puzzles algorithmiques (2)

True

1.0507665947079659

5

5

5

187

100%

0.765

2020-12-23

td2a_algo/td2a_correction_session_6A.ipynb

2A.algo - Puzzles algorithmes (1) - correction

True

2.409555906429887

6

6

6

188

100%

0.187

2020-12-23

td2a_algo/td2a_correction_session_6B.ipynb

2A.algo - Puzzles algorithmes (2) - correction

True

1.4498729072511196

6

6

6

189

0%

nan

td2a_eco/TD2A_Eco_Web_Scraping.ipynb

2A.eco - Web-Scraping

nan

62

0

190

100%

8.824

2020-12-23

td2a_eco/TD2A_Eco_Web_Scraping_corrige.ipynb

2A.eco - Web-Scraping - correction

True

10.50174161978066

6

6

6

191

100%

1.285

2020-12-23

td2a_eco/TD2A_eco_API_SNCF.ipynb

2A.eco - Exercice API SNCF

True

2.2656524553894997

11

11

11

192

100%

30.136

2020-12-23

td2a_eco/TD2A_eco_API_SNCF_corrige.ipynb

2A.eco - Exercice API SNCF corrigé

True

31.735888184979558

40

40

40

193

100%

1.978

2020-12-23

td2a_eco/TD2A_eco_debuter_flask.ipynb

2A.eco - Débuter avec Flask

True

3.1127346586436033

14

14

14

194

100%

2.993

2020-12-23

td2a_eco/TD2A_eco_les_API.ipynb

2A.eco - API, API REST

True

3.880801059305668

15

15

15

195

100%

2.432

2020-12-23

td2a_eco/td2_eco_rappels_1a.ipynb

2A.eco - Rappel de ce que vous savez déjà mais avez peut-être oublié

True

3.354757035151124

29

29

29

196

100%

7.007

2020-12-23

td2a_eco/td2a_TD5_Traitement_automatique_des_langues_en_Python.ipynb

2A.eco - Traitement automatique de la langue en Python

True

8.152366802096367

34

34

34

197

100%

8.412

2020-12-23

td2a_eco/td2a_TD5_Traitement_automatique_des_langues_en_Python_correction.ipynb

2A.eco - Traitement automatique de la langue en Python - correction

True

9.331160081550479

35

35

35

198

100%

0.000

2020-12-23

td2a_eco/td2a_eco_exercice_de_fin_de_seance.ipynb

2A.eco - Exercice Python - Eco Séance 2

True

0.8827924262732267

1

1

1

199

100%

0.464

2020-12-23

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

1.3260243721306324

3

3

3

200

100%

1.180

2020-12-23

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

2.0811178144067526

10

10

10

201

100%

2.582

2020-12-23

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

3.5487461667507887

16

16

16

202

100%

2.625

2020-12-23

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

4.1067392230033875

14

14

14

203

100%

7.918

2020-12-23

td2a_eco/td2a_eco_regressions_lineaires.ipynb

Régressions linéaires avec Statsmodels et Scikit-Learn

True

8.85516264103353

12

12

12

204

100%

2.632

2020-12-23

td2a_eco/td2a_eco_sql.ipynb

2A.eco - Python et la logique SQL

True

4.042392799630761

26

26

26

205

100%

3.580

2020-12-23

td2a_eco/td2a_eco_sql_correction.ipynb

2A.eco - Python et la logique SQL - correction

True

4.507816081866622

36

36

36

206

100%

14.099

2020-12-23

td2a_eco2/td2a_Seance_7_Analyse_de_textes.ipynb

TD7 - Analyse de texte

True

15.12916947901249

29

29

29

207

100%

8.806

2020-12-23

td2a_eco2/td2a_Seance_7_Analyse_de_textes_correction.ipynb

TD7 - Analyse de texte - correction

True

9.78812451660633

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%

408.711

2020-12-09

td2a_eco2/td2a_eco_NLP_tf_idf_ngrams_LDA_word2vec_sur_des_extraits_litteraires.ipynb

2A.eco - Introduction au text mining

True

410.43595899455255

69

69

69

211

100%

96.980

2020-12-23

td2a_ml/gradient_boosting.ipynb

Gradient Boosting

True

97.94409131072462

37

37

37

212

100%

140.284

2020-12-16

td2a_ml/ml_a_tree_overfitting.ipynb

2A.ml - Tree, hyperparamètres, overfitting

True

142.06810918822885

28

28

28

213

100%

45.288

2020-12-23

td2a_ml/ml_b_imbalanced.ipynb

2A.ml - Imbalanced dataset

True

46.19633130170405

22

22

22

214

100%

5.924

2020-12-16

td2a_ml/ml_c_machine_learning_problems.ipynb

2A.ml - Problèmes classiques de machine learning illustrés

True

6.928887814283371

41

41

41

215

100%

0.266

2020-12-16

td2a_ml/ml_cc_machine_learning_problems2.ipynb

2A.ml - Boosting, random forest, gradient - les features qu’ils aiment

True

1.1863275468349457

4

4

4

216

100%

3.602

2020-12-16

td2a_ml/ml_ccc_machine_learning_interpretabilite.ipynb

2A.ml - Interprétabilité et corrélations des variables

True

5.382040470838547

26

26

26

217

100%

35.053

2020-12-23

td2a_ml/ml_lasso_rf_grid_search_correction.ipynb

Hyperparamètres, LassoRandomForestRregressor et grid_search (correction)

True

35.93583497218788

15

15

15

218

100%

1.176

2020-12-23

td2a_ml/ml_lasso_rf_grid_search_enonce.ipynb

Hyperparamètres, LassoRandomForestRregressor et grid_search (énoncé)

True

2.3940692227333784

4

4

4

219

100%

0.670

2020-12-23

td2a_ml/ml_scikit_learn_simple.ipynb

Rappels sur scikit-learn et le machine learning

True

1.5600834172219038

12

12

12

220

100%

4.576

2020-12-23

td2a_ml/ml_scikit_learn_simple_correction.ipynb

Rappels sur scikit-learn et le machine learning (correction)

True

5.421392414718866

21

21

21

221

100%

7.958

2020-12-23

td2a_ml/seasonal_timeseries.ipynb

Timeseries

True

8.844817662611604

42

42

42

222

100%

231.730

2020-12-23

td2a_ml/td2a_cenonce_session_3A.ipynb

2A.ml - Statistiques descriptives avec scikit-learn

True

239.05620665475726

18

18

18

223

100%

54.637

2020-12-23

td2a_ml/td2a_cenonce_session_3B.ipynb

2A.ml - Arbres de décision / Random Forest

True

61.78276861645281

16

16

16

224

100%

1.056

2020-12-23

td2a_ml/td2a_cenonce_session_4A.ipynb

2A.ml - Machine Learning et Marketting

True

2.6347363740205765

9

9

9

225

100%

0.945

2020-12-23

td2a_ml/td2a_clustering.ipynb

2A.ml - Clustering

True

2.294833781197667

6

6

6

226

100%

14.222

2020-12-23

td2a_ml/td2a_clustering_correction.ipynb

2A.ml - Clustering - correction

True

15.119930237531662

25

25

25

227

100%

17.039

2020-12-23

td2a_ml/td2a_correction_cl_reg_anomaly.ipynb

2A.data - Classification, régression, anomalies - correction

True

18.32893692329526

33

33

33

228

100%

277.282

2020-12-23

td2a_ml/td2a_correction_session_3A.ipynb

2A.ml - Statistiques descriptives avec scikit-learn - correction

True

278.79558822885156

24

24

24

229

100%

119.649

2020-12-23

td2a_ml/td2a_correction_session_3B.ipynb

2A.ml - Arbres de décision / Random Forest - correction

True

124.30506495200098

26

26

26

230

100%

9.605

2020-12-23

td2a_ml/td2a_correction_session_4A.ipynb

2A.ml - Machine Learning et Marketting - correction

True

11.157725295051932

26

26

26

231

100%

1.591

2020-12-23

td2a_ml/td2a_enonce_cl_reg_anomaly.ipynb

2A.data - Classification, régression, anomalies - énoncé

True

2.465835066512227

9

9

9

232

96%

7.521

2020-12-23

td2a_ml/td2a_ethics.ipynb

Machine Learning éthique

True

8.437881475314498

31

30

30

233

100%

0.093

2020-12-23

td2a_ml/td2a_ethics_correction.ipynb

Machine Learning éthique - correction

True

0.9717430230230093

2

2

2

234

100%

9.700

2020-12-23

td2a_ml/td2a_pipeline_tree_selection_correction.ipynb

2A.ml - Pipeline pour un réduction d’une forêt aléatoire - correction

True

12.082350654527545

24

24

24

235

100%

1.758

2020-12-23

td2a_ml/td2a_pipeline_tree_selection_enonce.ipynb

2A.ml - Pipeline pour un réduction d’une forêt aléatoire - énoncé

True

2.7122877966612577

11

11

11

236

100%

0.725

2020-12-23

td2a_ml/td2a_sentiment_analysis.ipynb

2A.ml - Analyse de sentiments

True

1.6510950457304716

6

6

6

237

100%

77.134

2020-12-23

td2a_ml/td2a_sentiment_analysis_correction.ipynb

2A.ml - Analyse de sentiments - correction

True

78.07505190558732

44

44

44

238

100%

1.524

2020-12-23

td2a_ml/td2a_timeseries.ipynb

2A.ml - Séries temporelles

True

2.3887054175138474

15

15

15

239

100%

3.434

2020-12-23

td2a_ml/td2a_timeseries_correction.ipynb

2A.ml - Séries temporelles - correction

True

4.348728707060218

15

15

15

240

100%

27.372

2020-12-23

td2a_ml/td2a_tree_selection_correction.ipynb

2A.ml - Réduction d’une forêt aléatoire - correction

True

28.28010148741305

19

19

19

241

100%

1.167

2020-12-23

td2a_ml/td2a_tree_selection_enonce.ipynb

2A.ml - Réduction d’une forêt aléatoire - énoncé

True

2.1280222199857235

8

8

8

_images/nbcov.png