Agreg
Cliquez ici pour les textes d'agreg
Complément de python: TP
1-passage par valeur ou référence
2-Classes, objets et égalité
3-imports python
4-astuces notebooks
Modèle aléatoire: TP
00-python_de_base
01-numpy
02-plot
03-histogramme_densite
04-lois
05-simulation
06-TCL_intervalConfiance_student
07-tests
08-Chaine_de_Markov
09-modelisation_par_chaine_de_Markov
10-vecteurs_aleatoires
11-analyse_en_composantes_principales
12-modele_lineaire_gaussien.ipynb
13-modele_lineaire_generalise.ipynb
Modèle aléatoire: Correction
00-python_de_base
01-numpy
02-plot
03-histogramme_densite
04-lois_usuelles
05-simulation
06-TCL_intervalConfiance_student
07-tests
08-Chaine_de_Markov
09-modelisation_par_chaine_de_Markov
10-vecteurs_aleatoires
11-analyse_en_composantes_principales
12-modele_lineaire_gaussien.ipynb
13-modele_lineaire_generalise.ipynb
Signal 1
1-Fourier series
2-Discrete Fourier Transform
3-Sound
4-Color images
5-Image_filtering
6-Compression
7-Compression_2
8-convolution and signal matching
Signal 1: correction
1-Fourier series
2-Discrete Fourier Transform
3-Sound
4-Color images
5-Image filtering
6-Compression
7-Compression 2
Signal 2
00-tenseurs
05-réseaux de neurones
10-gradient
20-optimisation
25-petit modèle en tensorflow
30-conv-net
40-architecture
50-segmentation: la vérité terrain
51-segmentation: le modèle
60-augmentation d'images.ipynb
70-transfert des poids.ipynb
80-Réseaux récurrents
Graph 2
01-base
02-multiplication et chemin
03-arbre et jeu vidéo
O4-composante connex
Apprentissage par renforcement
Deep-Q-learning
DDQN
Data
Le cours
C1: Principes de l'apprentissage de données
C2: Modélisation probabiliste
Les TP
10=principe_du_machine_learning
20=scikitlearn
30=regression
40=classification_binaire
50=classification_multi
60=Decision_tree
70=ensemble_learning_random_forest
80=frontière de decission
90=séries temporelles
Partie technique
00=bases de pandas
01=stats descriptives
02=mongoDB
03=tableau de bord de données