Improves

Author: Jaden ACHAIN

_posts/2024-11-10-machine-learning-python.md

@@ -24,11 +24,83 @@ Tout d'abord les différents outils utilisés
 
 ### Date
 
-Import : `from datetime import datetime`  
-Formatage de date : `datetime.datetime.now().strftime("%m/%d/%Y %H:%M:%S")`  
+`from datetime import datetime`  
+
+Formatage de date : `datetime.now().strftime("%m/%d/%Y %H:%M:%S")`  
 Intervale en secondes : `interval_seconds = interval.total_seconds()`
 
+### Lambda
+
+Map : `array = [r for r in tab]`   
+Filtrer: 
+```
+tab_filtered = list(
+        filter(
+            lambda c: c not in ['value'], 
+            tab
+        )
+    ) 
+```  
+
+### Manipulation de fichiers
+
+```
+import os
+
+if os.path.exists(file_path):
+  file.write('')
+  
+df.to_csv('data.csv', index=False)
+```
+
+### Requètes d'API
+
+```
+import requests
+
+response = requests.get(
+    '', 
+    params={}, 
+    headers={
+        'Authorization': '', 
+        'Content-Type': 'application/json'
+        }
+)
+
+if response.status_code == 200:
+  json = response.json()
+  binary = response.text
+```
+
+## Jupyter
+
+### Virtual environment
+
+Créer un env dans une version spécifique de python :   
+`python3.10 -m venv .venv-3-10`    
+Activer un environnement :  
+`. .venv-3-10/bin/activate`
+
+
+### Kernel 
+
+Créer un kernel :  
+```
+.venv-3-10/bin/activate
+
+pip install ipykernel
+python -m ipykernel install --name 3-10 --display-name "Python 3.10" --user
+```
+
+L
+
+### Packages
 
-### Tableau
+```
+.venv-3-10/bin/activate
 
-Filtrer: `tab_filtered = list(filter(lambda c: c not in ['value'], tab)) `
+pip install jupyterlab ipympl pandas scikit-learn plotly ipywidgets seaborn pycaret
+jupyter labextension install @jupyter-widgets/jupyterlab-manager
+jupyter labextension install jupyter-matplotlib
+```
+``    

_posts/2024-11-12-machine-learning-donnees.md

@@ -11,31 +11,7 @@ categories:
 
 ## Récupération des données
 
-Les données peuvent être récupéré par json `df = pd.read_csv('data.csv')`  
-
-Ou par des requètes d'api
-
-```
-import requests
-
-response = requests.get('', params={}, headers={'Authorization': '', 'Content-Type': 'application/json'})
-
-if response.status_code == 200:
-  json = response.json()
-  binary = response.text
-```
-
-## Manipulation de fichiers
-
-```
-import os
-
-if os.path.exists(file_path):
-  file.write('')
-  
-df.to_csv('data.csv', index=False)
-```
-
+Les données peuvent être récupéré par json `df = pd.read_csv('data.csv')`
 
 ## Typage des données
 
@@ -81,20 +57,70 @@ Les 2 en même temps :
 
 Tri des colonnes : `df_sorted = df[sorted(df.columns)]`
 
-## Opérations sur les données
+Selection aléatoire d'un nombre de lignes : `df_sample = df.sample(100)`  
+Selection aléatoire d'une portion: `f_sample = df.sample(frac=0.1)`  
+
+Valeur null : `df_filtered = df['col1'].isnull()`  
+Valeur non null : `df_filtered = df['col1'].notnull()`
 
-Group by : `df_grouped = df.groupby(['col1', 'col2]).mean()`  
-Merge : `df_mergd = pd.merge(df1, df2, left_on="id", right_on="id", how="left")`  
+Where : 
+```
+df['result'] = np.where(
+    df['condition'], 
+    df['true'], 
+    df['false']
+)
+```  
 
+## Transformation des données 
+
+Group by : `df_grouped = df.groupby(['col1', 'col2]).mean()`
+
+Grouper par une partie d'une date : 
+```
+df_grouped = df.set_index('datetime')\
+    .resample('D')\
+    .median()\
+    .reset_index()
+```
+
+Merge : 
+```
+df_mergd = pd.merge(
+    df1, 
+    df2, 
+    left_on="id", 
+    right_on="id", 
+    how="left"
+)
+```
+  
 Pivot (regroupe un tableau par une caractéristique et applique une fonction sur les valeurs) : 
-`
-df_pivot = pd.pivot_table(df, values=['col2', 'col3'], index = ['col1'], aggfunc="mean",)
-`  
+```
+df_pivot = pd.pivot_table(
+    df, 
+    values=['col2', 'col3'], 
+    index = ['col1'], 
+    aggfunc="mean"
+)
+```
 
 Melt (aplati un tableau, et donne une ligne pour chaque index/colonne avec l'index, la colonne et la valeur) :
-`df_melt = pd.melt(df, id_vars=['date'], value_vars=['T'],value_name="mean_temp")`
+```
+df_melt = pd.melt(
+    df, 
+    id_vars=['date'], 
+    value_vars=['T'],
+    value_name="mean_temp"
+   )
+```
+
+## Changer l'affichage des données
+
+Trier par l'index : `df.sort_index()`  
+Trier par des colonnes : `df.sort_values(by=['col1', 'col2'])`  
 
-Grouper par une partie d'une date : `df_grouped = df.set_index('datetime').resample('D').median().reset_index()`
+Changer l'index : `df.index = df['date'].values`  
 
 ## Création de dataframe
 

_posts/2024-11-18-machine-learning-time-series.md

@@ -2,7 +2,7 @@
 title: Machine Learning - Time series
 layout: post  
 post-image: "/assets/images/ia/time.jpg"  
-description: ""  
+description: "Modèle de Time Series"  
 categories:
   - Fiche
 ---
@@ -12,22 +12,24 @@ categories:
 ## Classique
 
 ```
-from sktime.forecasting.model_selection import temporal_train_split
+from sktime.forecasting.model_selection import temporal_train_test_split
 
 df['date'] = pd.to_datetime(df['date'])
 df.index = df['date'].values
-df.index = df.index.to_period()
+df.index = df.index.to_period('M') # D / M / W / W-MON
 
-df_train, df_test = temporal_train_test_split(df, test_size=12)
+# test_size = dernière nombre de step, ex: derniers 12 mois / dernières 52 semaines, ...
+df_train, df_test = temporal_train_test_split(df, test_size=12) 
 ```
 
 ### Modèle saisonnier naif
 
-Répercute la dernière période pour prédire le futur
+Modèle le plus simple, répercute la dernière période pour prédire le futur
+
 ```
-from sktime.forecasting.naive import NativeForecaster
+from sktime.forecasting.naive import NaiveForecaster
 
-forecaster = NaiveForecaster(sp=12) # saisonnalité : 12 mois dans un an
+forecaster = NaiveForecaster(sp=12) # saisonnalité : 12 mois dans un an ou 52 si en semaine
 ```
 
 ### Holt-Winters / Lissage exponentiel
@@ -40,9 +42,11 @@ Prend en compte :
 Ne prend pas en compte les jours fériés
 
 ```
-from sktime.forecasting.naive import ExponentialSmoothing
+from sktime.forecasting.exp_smoothing import ExponentialSmoothing
 
 forecaster = ExponentialSmoothing(trend="add", seasonal="add")
+# trend : tendance sur toutes les données
+# seasonal : tendance sur un cycle (12 mois / 52 semaines / ...)
 ```
 
 ### ARIMA
@@ -70,18 +74,33 @@ y_pred = forecaster.predict(fh=horizon)
 ### Métriques
 
 ```
-from sktime.perforemance_metrics.forecasting import mean_absolute_error, mean_absolute_percentage_error, mean_absolute_scaled_error
+from sktime.performance_metrics.forecasting import mean_absolute_error, mean_absolute_percentage_error, mean_absolute_scaled_error
 
-MSE = mean_absolute_error(y_true=y_true, y_pred=y_pred)
-MAPE = mean_absolute_percentage_error(y_true=y_true, y_pred=y_pred, symetric=False)
-SMAPE = mean_absolute_percentage_error(y_true=y_true, y_pred=y_pred, symetric=True)
+MAE = mean_absolute_error(y_true=y_true, y_pred=y_pred)
+MAPE = mean_absolute_percentage_error(y_true=y_true, y_pred=y_pred, symmetric=False)
+sMAPE = mean_absolute_percentage_error(y_true=y_true, y_pred=y_pred, symmetric=True)
 MASE = mean_absolute_scaled_error(y_true=y_true, y_pred=y_pred, y_train=y_train)
 ```
 
-Mean absolute error, MAE
-
-- Symmetric mean percentage error, SMAPE
+- Mean absolute error, MAE (à réduire)
+  - Equivalent à l'erreur de prédiction de **y**
+- Mean absolute percentage error, MAPE (à réduire)
+  - Equivalent à l'erreur de prédiction de **y** en pourcentage
+  - Avantages
+    - Permet de detecter des outliers
+  - Inconvénient
+    - Ne marche pas avec des valeurs proche de zero
+- Symmetric mean percentage error, sMAPE-
+  - Equivalent à l'erreur de prédiction de **y** en pourcentage
+  - Avantages
+    - Moins sensible aux valeurs proches de zéro, car il utilise la moyenne des valeurs réelles et prédites dans le dénominateur.
+    - Pénalise de manière équilibrée les sous-estimations et les surestimations.
+  - Inconvénient
+    - Peut être difficile à interpréter directement si les prédictions sont parfois très éloignées des valeurs réelles.
 - Mean absolute scaled error, MASE
+  - MASE = 1 : même chose qu'un modèle naif
+  - 0 < MASE < 1 : meilleur qu'un modèle naif
+  - MASE > 1 : moins performant qu'un modèle naif
 
 ## Prophet / Silverkite / Greykite
 

_posts/2024-11-19-machine-learning-computer-vision.md

@@ -0,0 +1,14 @@
+---
+title: Machine Learning - Computer Vision
+layout: post  
+post-image: "/assets/images/ia/eye.png"  
+description: "Expérimentations d'apprentissage d'un modèle de Computer Vision"  
+categories:
+  - Fiche
+---
+
+Durées
+
+| Modèle    | Dataset  Train / Val /Test | Entrainement | Parse to HEF |
+|:----------|:--------------------------:|-------------:|-------------:|
+| yolov8n   |     7000 / 2000 / 1000     |         7.5h |              |

assets/css/style.css

@@ -44,6 +44,11 @@ a.navbar-item.is-active {
     background: #F4F5F6;
 }
 
+pre.highlight{
+    background: rgba(48,92,222, 0.2);
+    margin-bottom: 15px;
+}
+
 #hero {
     background: rgb(0, 0, 0);
     background: -moz-linear-gradient(0deg, rgba(0, 0, 0, 1) 0%, rgba(0, 0, 0, 0.75) 100%);
@@ -91,6 +96,7 @@ a.navbar-item.is-active {
 
     .container {
         margin: 1.5rem auto;
+        width: 100%;
     }
 
     #results-container:not(:empty) + div {
@@ -292,6 +298,7 @@ a.navbar-item.is-active {
         margin: 2.5rem auto;
         word-break: break-word;
         max-width: -webkit-fill-available;
+        width: 100%;
     }
 
     #disqus_thread {