• 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
      • Liste, tuple, ensemble, dictionnaire, liste chaînée, coût des opérations
      • Examples
      • D’une structure de données à l’autre
      • Calculer un chi 2 sur un tableau de contingence
      • Deviner un nombre aléatoire
      • Deviner un nombre aléatoire (correction)
      • Distance de Jaccard
      • Etude d’un algorithme en binôme
    • TD - Site web et pratiques logiciels
      • Graphes
      • Site Web, exemple avec Flask
      • Génie logiciel : coder facilement, coder à plusieurs, qualité du code, gestion de projets
      • Convert a notebook into a document
      • Custom Magics for Jupyter
    • TD - algorithmes
      • Programmation dynamique
      • Arbre et Trie
      • Optimisation sous contrainte
      • Programmation dynamique
      • Parcours un graphe
      • Questions TD 2014
      • Calculer x**n le plus rapidement possible
      • Calculer le nombre de façons de monter une échelle.
      • Décoder du Morse sans espaces
      • La plus grande séquence commune
      • La sous-séquence de plus grande somme
      • Tri plus rapide que prévu
    • TD - calcul matriciel, graphes, données
      • Dataframe et Matrice
      • Calcul numérique, dichotomie et Cython
      • Visualisation des données
      • Simuler une loi multinomiale
    • Getting started
    • Bibliographie
  • 2. Python pour un Data Scientist / Economiste
    • Agilité avec les données
      • Rappels de programmation
      • Matrices et DataFrames - numpy pandas SQL
      • Visualisation
    • Machine Learning - les bases
      • Transformations des données, Embedding
      • Machine Learning - Formalisation
    • Hors piste en machine learning
      • Machine Learning Avancé
      • Données, Anonymisation, Cryptage
      • NLP - Image - Réseaux - Finance
      • Deep Learning
    • Le coin du programmeur astucieux
      • Techniques de programmation et algorithmes
      • Data Scientist en liberté
    • Bibliographie
  • 3. Eléments logiciels pour le traitement des données massives
    • Eléments techniques
      • Anatomie et histoire d’un ordinateur
      • CPU
      • GPU
      • Autres que CPU, GPU
    • Eléments théoriques
      • Crypographie, block chain
      • Algorithmes
    • Eléments logiciels
      • Structures de données
      • Threads et synchronisation
      • Distribution des calculs, stratégies de stockage, SQL NoSQL
      • Compression des données
      • Workflow de données
      • Framework de distribution des calculs
    • Map Reduce
      • Map Reduce en pratique
      • avec PIG sur Azure et Cloudera
      • avec Spark et Spark SQL
    • Getting started, installation, setup
      • PIG
      • SPARK
    • Bibliographie
  • 4. Projets informatiques
    • 1A - Projets informatiques
      • Sujets proposés année 2015-2016
      • 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
      • Vidéo
      • Liens
      • Questions
    • 3A - Projets informatiques
      • Travail attendu
      • Suggestions d’articles
      • Exemples d’implémentation d’algorithme en PIG
      • Code de survie
  • 5. Examens / Compétitions
    • Examens
      • Révisions rapides
      • Séances notées
      • Interrogations rapides
      • Examens écrits
      • Corrections sous forme de notebooks
    • Compétitions
      • 2016
  • 6. Découvrir
    • Culture algorithmique
      • Survol algorithmique
      • Problèmes NP-complets
      • Réseaux de neurones et Deep Learning
    • Algorithmes illustrés
      • Stratégie automatique de trading en finance
      • Circuit hamiltonien et Kohonen
      • Circuit hamiltonien et Kruskal
      • Distance between two graphs
      • Graphes et Map Reduce
      • Random Walk with Restart (système de recommandations)
      • Réflexions autour du voyage de commerce (TSP)
      • Image de synthèse, lancer de rayon
      • Simulation d’une corde qui chute
      • Casser le code de Vigenère
      • L’énigme d’Einstein et sa résolution
      • Résolution d’un puzzle
      • L’énigme d’Hermionne, Harry Potter tome 1
      • Résolution d’un sudoku
    • Machine learning illustré
      • Déterminer la vitesse moyenne des vélib
      • Table de mortalité
      • Huge datasets, datasets hiérarchiques
      • Parcourir les rues de Paris
      • Features ou modèle
      • Coding Parties
      • Evolution d’un voisinage, d’une population
    • Cloud illustré
      • Azure, Python, Programmation
    • Génie logiciel illustré
      • Génie logiciel : coder facilement, coder à plusieurs, qualité du code, gestion de projets
      • Site Web, exemple avec Flask
      • Python et C++, stratégies
    • Aspects cachés de ce cours
  • 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
    • En résumé : Anaconda
    • Windows
      • Linux en ligne de commande, connexion SSH
      • IDE
      • Editeur de texte
    • Installer un module
      • pip, python et ligne de commande
      • conda et pip
      • 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
    • Examples
      • Automatisation
      • Computer Science, Machine Learning
      • Geek
      • Python, constructions classiques
    • Galleries de notebooks
      • Exercices pour apprendre la programmation et les algorithmes
      • Techniques de data scientiste
      • Compétitions de machine learning
      • Année 2016
      • Examens et solutions
      • Exposés
      • Notebooks des étudiants
      • Année 2014-2015
      • Travaux dirigés - Introductions
      • Travaux dirigés - Data Scientiste / Economiste
      • Travaux dirigés - Algorithmes
      • Travaux dirigés - Economistes
      • Travaux dirigés - Machine Learning
      • Travaux dirigés - Hadoop
      • Travaux dirigés - Spark
    • Gallerie d’exemples
      • Automatisation
  • 11. Index
    • README
      • README
      • page de blog - 1/5
      • Glossaire
      • License
      • Dépendances
    • A propos de ce module
      • Bugs et améliorations
      • Terminé
      • Changes
      • All indexes
      • Statistics on code
      • Modules
• Page
  • Optimisation sous contrainte