Galleries

Notebooks Coverage

Le petit coin des data scientists

Ce sont quelques notebooks sur des points particuliers qui surgissent au quotidien quand on traite des données.

	Classification multiple	Explorations autour d’un problème de classification multiple.
	Corrélations non linéaires	Les corrélations indiquent si deux variables sont linéairement équivalentes. Comment étendre cette notion à des variables liées mais pas de façon linéaire.
	File d’attente, un exemple simple	Cet exemple vient illustrer le paragraphe sur les files d’attente et l’espérance de vie des ampoules.
	Le gradient et le discret	Les méthodes d’optimisation à base de gradient s’appuie sur une fonction d’erreur dérivable qu’on devrait appliquer de préférence sur des variables aléatoires réelles. Ce notebook explore quelques idées.
	Régression linéaire et résultats numériques	Ce notebook s’intéresse à la façon d’interpréter les résultats d’une régression linéaire lorsque les variables sont corrélées puis il explore une façon d’associer arbre de décision et régression linéaire pour construire une régression linéaire par morceaux.
	Régression quantile illustrée	La régression quantile est moins sensible aux points aberrants. Elle peut être définie comme une régression avec une norme L1 (une valeur absolue). Ce notebook explore des régressions avec des quantiles différents.
	Répartir en base d’apprentissage et de test	C’est un problème plutôt facile puisqu’il s’agit de répartir aléatoirement les lignes d’une base de données d’un côté ou de l’autre. Lorsque le problème de machine learning à résoudre est un problème de classification, il faut s’assurer que chaque côté contient une proportion raisonnable de chaque classe.

Images

Détection de segments dans une image

Métriques

	ROC	A few graphs about ROC on the iris datasets.
	p-values	Compute p-values and heavy tails estimators.

Machine Learning

	Benchmark	Ce notebook compare différents modèles depuis un notebook.
	Factorisation et matrice et ACP	Un exemple pour montrer l’équivalence entre l’ACP et une factorisation de matrice.
	Régression linéaire par morceaux	La régression linéaire par morceaux a l’avantage de produire un modèle localement interprétable. Mais ce n’est pas évident d’estimer un tel modèle quand on ne connaît pas les morceaux par avance.
	Régression sans inversion	Ce notebook mesure le temps de calcul dans deux algorithmes pour résoudre une régression linéaire, le premier inverse un matrice, le second le fait sans inverser une matrice, le troisième reprend l’idée du second mais utilise une décomposition QR puis inverse la matrice R.
	Réseaux de neurones	Réseaux de neurones avec scikit-learn.
	Valeurs manquantes et factorisation de matrices	Réflexion autour des valeur manquantes et de la factorisation de matrice positive.
	Voronoï et régression logistique	Le notebook étudie la pertinence d’un modèle de régression logistique dans certaines configurations. Il regarde aussi le diagramme de Voronoï associé à une régression logistique à trois classes. Il donne quelques intuitions sur les modèles que la régression logistique peut résoudre.

NLP - Natural Language Processing

	Completion Trie and metrics	Evaluation of a completion system on wikpedia pages.
	Completion profiling	Profiling avec cProfile, memory_profiler, pyinstrument, snakeviz.
	Complétion	Comparaion de plusieurs algorithmes pour implémenter un système de complétion.
	Complétion Simple	Evaluation d’une métrique pour un système de complétion sur quelques cas simples.