:orphan: |rss_image| :ref:`<== ` **page de blog - 3/4** :ref:`==> ` :ref:`Blog ` :ref:`session (28) ` .. |rss_image| image:: feed-icon-16x16.png :target: ../_downloads/rss.xml :alt: RSS ---- .. _ap-main-2: page de blog - 3/4 ++++++++++++++++++ .. blogpostagg:: :title: Session 4 :date: 2019-03-01 :keywords: session 4 :categories: session :rawfile: 2019/2019-03-01_sessions4.rst * :ref:`l-cheatsheet-ml` * `clustering `_, `k-means `_ un exemple avec les `vélos à Chicago `_ et l'utilisation du clustering pour trouver les `profils de cyclistes à Chicago `_ *deep learning* * `Réseaux de neurones avec pytorch `_ * `Transfer Learning avec pytorch `_ ou `Transfer Learning avec keras `_ * :ref:`l-gan` *Liens* * `Découverte du deep learning `_ * `Deep Learning course: lecture slides and lab notebooks `_ (`Master DataScience `_ - `Paris Saclay `_) .. blogpostagg:: :title: Installer Python à l'université :date: 2019-02-24 :keywords: miniconda :categories: installation :rawfile: 2019/2019-02-24_install.rst L'université bloque parfois quelques usages pour des raisons de sécurité. Il n'est pas toujours possible d'utiliser ``pip install pandas`` ou ``conda install pandas``. Il faut télécharger les packages à la main et la liste des dépendances peut être longues. Les liens qui suivent sont valides pour le système Windows. On commence par installer *Python* avec la distribution `Python `_ ou `miniconda `_. J'ai pris *Miniconda* qui est plus léger qu'*Anaconda* mais nécessite de télécharger des paquets à la main. Il faut l'installer *Just for me* et ne pas ajouter *Python* à la variable d'environnement ``PATH``. Je commence toujours par installer *numpy* `numpy `_ (*numpy-1.16.1+mkl-cp37-cp37m-win_amd64.whl* dans mon cas). Et on l'installe avec ``pip install `` depuis la ligne de commande. Dans mon cas, cela donne :: ... .. blogpostagg:: :title: Session 3 :date: 2019-02-22 :keywords: session 3 :categories: session :rawfile: 2019/2019-02-22_session3.rst **Scraping** * `Scraping `_ * `Un peu plus sur le scraping `_ (`éléments de réponses `_) * `API REST `_ **Devinettes** * :ref:`l-devinette-naive-normalisation` **Texte** * :ref:`l-preprocessing` * :ref:`artificieltokenizerst` * `Analyse de sentiments `_ (`éléments de réponse `_) **Regarder les données** * `Les vélos à Chicago `_ **Un peu d'algorithme** Je reproduis ici un code qui construit les permutations d'un ensemble avec la fonction `combinaison `_ : ... .. blogpostagg:: :title: Session 2 :date: 2019-02-01 :keywords: session 2 :categories: session :rawfile: 2019/2019-02-01_session2.rst * :ref:`l-regclass` * formalisation de la :ref:`classification ` * Courbe ROC : :ref:`sphx_glr_gyexamples_plots_plot_roc.py` * :ref:`classification multi-classe ` * `régularisation `_, `Ridge `_, `Lasso `_, `ElasticNet `_ * :ref:`l-cheatsheet-ml` * Notions de pipeline `API de scikit-learn `_, `Visualisation de pipeline `_ .. blogpostagg:: :title: Session 1 :date: 2019-01-29 :keywords: session 1 :categories: session :rawfile: 2019/2019-01-29_session1.rst Quelques liens sur cette première session et les notebooks associées : ... .. blogpostagg:: :title: Session 4 - actuariat :date: 2018-06-12 :keywords: session 3 :categories: session :rawfile: 2018/2018-06-12_sessions4.rst Quelques liens : ... .. blogpostagg:: :title: Session 3 - actuariat :date: 2018-05-15 :keywords: session 3 :categories: session :rawfile: 2018/2018-05-15_sessions3.rst Quelques liens : ... .. blogpostagg:: :title: Session 5 :date: 2018-03-01 :keywords: session 5 :categories: session :rawfile: 2018/2018-03-01_sessions5.rst Séries temporelles : ... .. blogpostagg:: :title: Session 4 :date: 2018-02-22 :keywords: session 4 :categories: session :rawfile: 2018/2018-02-22_sessions4.rst Suite et fin : ... .. blogpostagg:: :title: Automatiser des expériences de machine learning :date: 2018-02-16 :keywords: scikit-learn,automatisation :categories: scikit-learn :rawfile: 2018/2018-02-16_sklearn_models.rst Prenons un exemple car le titre est assez flou. On souhaite apprendre deux modèles différents sur deux parties disjointes d'un jeu de données : la prédiction de la qualité d'un vin selon qu'il est blanc ou rouge. Selon que le vin est blanc ou rouge, on n'appliquera pas le même modèle. L'ensemble tient en quelques lignes dans un notebook mais comme cette idée revient souvent, on peut être tenté de l'implémenter une bonne fois pour toutes sous la forme d'un modèle qui s'intègre facilement avec :epkg:`scikit-learn`. C'est ce que propose la classe :class:`SkBaseLearnerCategory `. Ce point est abordé de façon plus détaillée : :ref:`l-sklearn-programmation`. ---- |rss_image| :ref:`<== ` **page de blog - 3/4** :ref:`==> ` :ref:`2022-01 (1) ` :ref:`2022-02 (4) ` :ref:`2022-09 (1) ` :ref:`2023-01 (2) ` :ref:`2023-02 (3) `