.
0.9
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.
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
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
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
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)
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
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
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)
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
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
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
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 - 1/12
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
Page
Algorithmes en streaming
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
Information
FAQ
Glossaire
README
Changements
Licence
« 1A.algo - Opt...
1A.algo - BJK... »
Source
Algorithmes en streaming
¶
1A.algo - BJKST - calculer le nombre d’éléments distincts
Exercice 1 : première version
Exercice 2 : version plus rapide
2A.algo - Algorithmes de streaming : généralités
Introduction
Estimer le nombre d’éléments distincts: l’algorithme BJKST
Un peu plus sur la précision de l’estimateur