BASE 0.9.3095
  • XD
  • blog
  • index
  • Site
      • 1. Algorithmes et programmation
        • TD - Les bases
          • Premiers pas en Python
          • Variables, boucles
          • Dictionnaires, fonctions
          • Fichiers, modules, expressions régulières
          • Classes, héritages
          • Premiers algorithmes
          • 1A.1 - Liste, tuple, ensemble, dictionnaire, liste chaînée, coût des opérations
          • 1A.algo - Calculer le nombre de façons de monter une échelle.
          • Algo - Calculs de surface et autres calculs
          • Algo - jeux de dictionnaires, plus grand suffix commun
          • Exemples classiques
          • 1A.1 - D’une structure de données à l’autre
          • 1A.1 - Calculer un chi 2 sur un tableau de contingence
          • 1A.1 - Histogramme et dictionnaire
          • 1A.1 - Simuler une loi multinomiale
          • Produit matriciel avec une matrice creuse
          • Jeux de coloriage
        • TD - Algorithmes
          • 1A.algo - Recherche dichotomique
          • Heap
          • Algo - les k premiers éléments
          • Survol algorithmique
          • Problèmes NP-complets
          • Graphes
          • Programmation dynamique
          • Programmation dynamique
          • Arbre, Trie, Graphes
          • Optimisation sous contrainte
          • Algorithmes en streaming
          • Images
          • Questions TD 2014
          • 1A.algo - Calculer x**n le plus rapidement possible
          • 1A.algo - Calculer le nombre de façons de monter une échelle.
          • 1A.algo - Décoder du Morse sans espaces
          • 1A.algo - La sous-séquence de plus grande somme
          • 1A.algo - Tri plus rapide que prévu
          • S’amuser avec les algorithmes
        • TD - calcul matriciel, graphes, données - data science
          • Tech - expressions régulières
          • 1A.data - DataFrame et Matrice
          • 1A.data - DataFrame et Matrice (correction)
          • 1A.data - Décorrélation de variables aléatoires
          • 1A.data - Décorrélation de variables aléatoires - correction
          • 1A.soft - Calcul numérique et Cython
          • 1A.soft - Calcul numérique et Cython - correction
          • 1A.data - Visualisation des données
          • 1A.data - Visualisation des données - cartes
          • 1A.data - Visualisation des données - graphes interactifs
          • 1A.data - visualisation des données - correction
          • S’amuser avec des données
        • TD - Site web et pratiques logicielles
          • Site Web, exemple avec Flask
          • Génie logiciel : coder facilement, coder à plusieurs, qualité du code, gestion de projets
          • 2A.soft - Git depuis le notebook
          • 1A.soft - Exemple de profiling
          • Tech - profiling
          • 2A.soft - Convert a notebook into a document
          • 2A.soft - Custom Magics for Jupyter
          • Python et C++, stratégies
          • Tests Unitaires, Continuous Integration
          • Langages, SQL
          • Cython
        • Les notions qu’il faut avoir comprises ou vues
          • Pour un profil plutôt analyste
          • Pour un profil plutôt ingénieur
          • Séance notée
        • Getting started
        • Bibliographie
        • Intervenants
        • A propos du cours
          • Feuille de route 2018 (1A)
          • Feuille de route 2019 (1A)
          • Feuille de route 2020 (1A)
      • 2. Python pour un Data Scientist / Economiste
        • Agilité avec les données
          • Agilité avec les données
        • Machine Learning - les briques de bases
          • Machine learning - les briques de bases
        • Machine learning - extensions
          • Machine learning - extensions
        • Galleries de problèmes résolus ou presque
        • Algorithmes, Optimisation, Programmation
          • Algorithmes, Optimisation, Programmation
        • Bibliographie
          • Bibliographie
        • A propos du cours
          • Les notions qu’il faut avoir comprises ou vues
          • Feuille de route 2016 (2A)
          • Feuille de route 2017 (2A)
          • Feuille de route 2018 (2A)
          • Feuille de route 2019 (2A)
          • Exposés (2A)
          • Compétitions
      • 3. Eléments logiciels pour le traitement des données massives
        • Eléments techniques
          • Anatomie et histoire d’un ordinateur
          • CPU
          • GPU
          • BLAS, LAPACK, calcul matriciel
          • Optimisations logicielles
          • Autres que CPU, GPU
        • Eléments théoriques
          • Crypographie, block chain
          • Algorithmes Distribués
          • Compilateur, compilation à la volée, JIT
        • Eléments logiciels
          • Structures de données
          • Threads et synchronisation
          • Plus proches voisins en grandes dimensions
          • Distribution des calculs, stratégies de stockage, SQL NoSQL
          • Compression des données
          • Workflow de données
          • Deep Learning
          • Framework de deep learning
          • Données massives avec python
        • Map Reduce
          • Map Reduce en pratique
          • avec PIG
          • avec Spark et Spark SQL
        • Getting started, installation, setup
          • PIG
          • SPARK
        • Bibliographie
        • Feuilles de routes des années passées
          • Feuille de route 2017 (3A)
          • Python rapide avec cython
          • Feuille de route 2019 (3A)
      • 4. Projets informatiques
        • 1A - Projets informatiques
          • Extraits des projets informatiques de première année à l’ENSAE en 2015
          • Sujets proposés
          • Travail attendu
          • Que faut-il en attendre ?
          • Références
          • Ce que vous ne lisez jamais mais que j’observe chaque année
        • 2A - Projets informatiques - Data Scientist - Economiste
          • Data Scientist
          • Travail attendu
          • Barème approximatif
          • Liens
          • Questions
          • Retours des projets des années précédentes
        • 3A - Projets informatiques
          • Travail attendu
          • Suggestions d’articles
          • Exemples d’implémentation d’algorithme en PIG
          • Code de survie
      • 5. Examens
        • Révisions rapides
        • Séances notées
        • Interrogations rapides
          • 2016-2017 - Interrogation écrite - 21 octobre 2016
        • Examens écrits
        • Corrections sous forme de notebooks
          • interrogations écrites
          • TD notés, éléments de code donnés dans l’énoncé
          • TD notés, correction
        • Autres sources d’énoncés d’examens
      • 6. Découvrir
        • Culture algorithmique
        • Algorithmes illustrés
          • Stratégie automatique de trading en finance
          • Circuit hamiltonien et Kohonen
          • Circuit hamiltonien et Kruskal
          • 3A.mr - Graphes et Map Reduce
          • 3A.mr - Random Walk with Restart (système de recommandations)
          • 2A.algo - Réflexions autour du voyage de commerce (TSP)
          • Problème de dès et problème de flots
          • Image de synthèse, lancer de rayon
          • Simulation d’une corde qui chute
          • 1A.algo - Casser le code de Vigenère
          • 2A.algo - L’énigme d’Einstein et sa résolution
          • Résolution d’un puzzle
          • L’énigme d’Hermionne, Harry Potter tome 1
          • Résolution d’un sudoku
          • 2A.algo - Hash et distribution
          • 2A.algo - Algorithmes de streaming : généralités
        • Machine learning illustré
          • 2A.i - Table de mortalité dans plusieurs containers
          • 2A.i - Huge datasets, datasets hiérarchiques
          • 2A.algo - Parcourir les rues de Paris
          • Evolution d’un voisinage, d’une population
          • Optimisation sous contraintes appliquée au calcul du report des voix
      • 7. Visualisation
        • Modules et exemples
        • Galleries
        • Trucs et astuces
      • 8. Modules, Bibliographie, Articles, FAQ...
        • Articles, Références, Blogs
          • Bibliographies associées à chaque cours
          • Autres suggestions
        • Ressources, Evénements, Source de données
          • Source de données
          • Compétition, Codes
          • Evénements, Médias
          • Incubateurs
        • FAQ
          • FAQ cvxopt
          • FAQ Cython
          • FAQ Geo coordinates and Maps
          • FAQ Hadoop
          • FAQ Jupyter
          • FAQ matplotlib
          • FAQ pandas
          • FAQ python
          • FAQ web
          • FAQ Windows
        • Questions
          • Questions TD 2014
          • Questions Projets 2014
          • Questions Projets 2015
          • Questions 2016
        • Devinettes
          • Devinettes 2016
        • Bien démarrer un projet de machine learning
          • Etape 1 : quel est le type de problème ?
          • Etape 2 : quelles sont les données ?
          • Etape 3 : séparation train/test
          • Etape 4 : apprentissage d’un modèle
          • Etape 5 : mesure de la performance
          • Etape 6 : ajouter des variables
          • Etape 7 : jouer à Hercule Poirot
          • Etape 8 : validation du modèle
      • 9. Getting started
        • Notes
          • 2018-2019
          • 2017-2018
        • En résumé : Anaconda
        • Windows
          • Linux en ligne de commande / MacOS
          • IDE
          • Editeur de texte
        • Installer un module
          • pip, python et ligne de commande
          • conda ou pip
          • Dépendances
          • Installer un module avec pymy_install
          • Désinstallation des modules implémentés pour ce cours
          • Configuration pour ces cours
          • Compiler un module
        • Distributions
        • Modules incournables pour un data scientist
        • Outils, ressources pour développer
          • En vrac
          • Générer une documentation comme ce cours
          • Setup pour déveloper ce cours (Windows)
        • Maintenir sa distribution Python à jour
        • Liste exhaustive de modules Python
      • 10. Galleries d'exemples
        • Anti-sèches
          • Automatisation
          • sklearn_ensae_course
        • Collection d’examples
          • Automatisation
          • Computer Science, Machine Learning
          • Geek
        • Exemples classiques
          • Python, constructions classiques
        • Blog Gallery
          • blog 0
          • blog 1
          • blog 2
          • blog 3
          • blog 4
          • blog 5
          • blog 6
          • blog 7
          • blog 8
          • blog 9
          • blog 10
          • blog 11
          • blog 12
          • blog 13
          • blog 14
          • blog 15
          • blog 16
          • blog 17
          • blog 18
          • blog 19
          • blog 20
          • blog 21
          • blog 22
          • blog 23
          • blog 24
          • blog 25
          • blog 26
          • blog 27
          • blog 28
          • blog 29
          • blog 30
          • blog 31
          • blog 32
          • blog 33
          • blog 34
          • blog 35
          • blog 36
          • blog 37
          • blog 38
          • blog 39
          • blog 40
          • blog 41
          • blog 42
          • blog 43
          • blog 44
          • blog 45
          • blog 46
          • blog 47
          • blog 48
          • blog 49
          • blog 50
          • blog 51
          • blog 52
          • blog 53
          • blog 54
          • blog 55
          • blog 56
          • blog 57
          • blog 58
          • blog 59
          • blog 60
          • blog 61
          • blog 62
          • blog 63
          • blog 64
          • blog 65
          • blog 66
          • blog 67
          • blog 68
          • blog 69
          • blog 70
          • blog 71
          • blog 72
          • blog 73
          • blog 74
          • blog 75
          • blog 76
          • blog 77
          • blog 78
          • blog 79
          • blog 80
          • blog 81
          • blog 82
          • blog 83
          • blog 84
          • blog 85
          • blog 86
          • blog 87
          • blog 88
          • blog 89
          • blog 90
          • blog 91
          • blog 92
          • blog 93
          • blog 94
          • blog 95
          • blog 96
          • blog 97
          • blog 98
          • blog 99
          • blog 100
          • blog 101
          • blog 102
          • blog 103
          • blog 104
          • blog 105
          • blog 106
          • blog 107
          • blog 108
          • blog 109
          • blog 110
          • blog 111
          • blog 112
          • blog 113
          • blog 114
          • blog 115
          • blog 116
          • blog 117
          • blog 118
          • blog 119
          • blog 120
          • blog 121
          • blog 122
          • blog 123
          • blog 124
          • blog 125
          • blog 126
          • blog 127
          • blog 128
          • blog 129
          • blog 130
          • blog 131
          • blog 132
          • blog 133
          • blog 134
          • blog 135
          • blog 136
          • blog 137
          • blog 138
          • blog 139
          • blog 140
          • blog 141
          • blog 142
          • blog 143
          • blog 144
        • Automatisation
          • Set up or update Jenkins Jobs
          • Copy documentation
          • Exécuter des scripts python envoyé en pièce jointe
          • Send many mails
          • Publish documentation
          • Récupérer des mails d’étudiants en pièce jointe (1:1)
        • Galleries de notebooks
          • 1A - Exposés, exercices pour apprendre la programmation et les algorithmes
          • 2A - Exposés, techniques de data scientiste
          • Compétitions de machine learning
          • Données
          • 1A - Examens et solutions
          • Exposés
          • Notebooks des étudiants
          • Année 2014-2015
          • Année 2016-2017
          • Année 2017-2018
          • Année 2018-2019
          • 2A - sklearn_ensae_course
          • 1A - Travaux dirigés - Introductions
          • 1A - Travaux dirigés autour des algorithmes
          • 1A - Travaux dirigés autour des données
          • td1a_home
          • 1A - Travaux dirigés autour des pratiques logiciels
          • 2A - Travaux dirigés - Data Scientiste / Economiste
          • 2A - Travaux dirigés - Algorithmes
          • 2A - Travaux dirigés - Economistes (1)
          • 2A - Travaux dirigés - Economistes (2)
          • 2A - Travaux dirigés - Machine Learning
      • 11. Index
        • README
          • ensae_teaching_cs: teaching materials, algorithmic, machine learning
          • History
          • page de blog - 1/13
          • Glossaire
          • License
          • Dépendances
        • A propos de ce module
          • Changes
          • All indexes
          • Statistics on code
          • Modules
      • 12. API
        • Automatisation
          • Examens
          • Web
        • Données
          • Jeux de données
          • Outils
        • Exercices
          • 1A
          • 2A
          • Promenades
        • Outils
          • Code
          • Cython
          • Conversion
          • Dataframes
          • Graphes
          • Image
          • Outils
          • pygame
          • Web
        • Outils
          • Code
        • TD 1A
        • TD 2A
        • Inclassable
          • Algorithme
          • Animation
          • Enigme
          • Géométrie
          • Vraiment inclassable
      • 13. Command lines
  • Page
      • Processus Gaussiens (GP)

Liens

  • Blog
  • Index
  • Module
  • API

Contenu

  • 1. Algorithmes et programmation
  • 2. Python pour un Data Scientist / Economiste
  • 3. Eléments logiciels pour le traitement des données massives
  • 4. Projets informatiques
  • 5. Examens
  • 6. Découvrir
  • 7. Visualisation
  • 8. Modules, Bibliographie, Articles, FAQ...
  • 9. Getting started
  • 10. Galleries d'exemples
  • 11. Index
  • 12. API
  • 13. Command lines

Information

  • FAQ
  • Glossaire
  • README
  • Changements
  • Licence
  • « Apprentissage...
  • Modèles avec ... »
  • Source
    Economie Statistique

    Processus Gaussiens (GP)¶

    (à venir)

    Lectures

    • Introduction aux Processus Gaussiens

    • Processus gaussiens déformés pour l’apprentissage de zones instationnaires

    • Corresponce entre régression par processus gaussien et splines d’interpolation sous contraintes linéaires de type inégalités, théorie et application

    • Maximum Likelihood for Gaussian Process Classification andGeneralized Linear Mixed Models under Case-ControlSampling

    Modules

    • scikit-learn

    • GPy

    • GPflow (réimplémentation du module précédent sur GPU)

    Back to top

    Source

    Mis à jour le 2020-12-23.