.. blogpost::
    :title: Plan séance 3
    :keywords: plan
    :date: 2023-02-03
    :categories: session

    Voici le plan prévu pour la troisième séance
    du cours de machine learning pour l'économie et
    la finance.

    **théorie**

    * recommandations
      `NMF <https://scikit-learn.org/stable/modules/generated/sklearn.decomposition.NMF.html>`_
    * `factorisation de matrices
      <http://www.xavierdupre.fr/app/mlstatpy/helpsphinx/c_ml/missing_values_mf.html>`_
    * ranking
    * traitement des valeurs manquantes
    * `TSNE <https://scikit-learn.org/stable/modules/generated/sklearn.manifold.TSNE.html>`_

    **exercice**

    On veut construire un modèle qui prédit le loyer moyen en fonction
    de caractéristiques moyennes, données :
    `Résultats nationaux des observatoires locaux des loyers
    <https://www.data.gouv.fr/fr/datasets/resultats-nationaux-des-observatoires-locaux-des-loyers/#resources>`_

    Il faut construire un pipeline simple avec au moins une classe
    `ColumnTransformer
    <https://scikit-learn.org/stable/modules/generated/sklearn.compose.ColumnTransformer.html>`_.

    **développement**

    * créer son propre transformer ou prédicteur
    * manipulation de gros fichiers
      exemple `Demandes de valeurs foncières
      <https://www.data.gouv.fr/fr/datasets/5c4ae55a634f4117716d5656/>`_
    * créer son propre package et documentation
    * git
    * tests unitaires

    **autres packages**

    * `category_encoders <https://contrib.scikit-learn.org/category_encoders/>`_
    * `dirty_cat <https://github.com/dirty-cat/dirty_cat>`_
    * `xgboost <https://xgboost.readthedocs.io/en/stable/>`_
    * `lightgbm <https://lightgbm.readthedocs.io/en/v3.3.2/>`_
    * `catboost <https://catboost.ai/>`_
    * cheatcheet numpy, or `awesome machine learning
      <https://github.com/sorend/awesome-python-machine-learning>`_,
      `Track Awesome Machine Learning Updates Daily
      <https://www.trackawesomelist.com/josephmisiti/awesome-machine-learning/>`_
    * `statsmodels <https://www.statsmodels.org/stable/index.html>`_

    **suite**

    * notions de séries temporelles ? prédiction, analyse de survie.
    * Quelques mots de deep learning : encoding, transfer learning
    * Mise en production : déploiement de modèles de machine learning
    * machine learning éthique
    * algorithmes, plus court chemin dans un graphe, recherche dichotomique ?