# generates the seeds for random selection n=10 job = unlist(lapply(runif(n,100,800),function(i){floor(i)}),use.names=FALSE) créer des colonnes ND=10 Names=c("week","id","patho","poussee","douleur") PNames=c(Names,unlist(lapply(c(1:ND),function(i){paste0("P",i)}),use.names=FALSE))

import pandas as pd import numpy as np import matplotlib.pyplot as plt data = {'color' : ['blue','green','yellow','red','white'], 'object' : ['ball','pen','pencil','paper','mug'], 'price' : [1.2,1.0,0.6,0.9,1.7]} #creer un dataframe frame = pd.DataFrame(data) frame frame2 = pd.DataFrame(data, columns=['object','price']) frame2 #assigner des index

Pour rstudio, si je tue mon process rsession, un autre est automatiquement relancé, et le délai pour obtenir le main est probablement réinitialisé J'ai trouvé un moyen qui semble fonctionner : rm /home/userid/.rstudio/sessions/active/session-*/suspended-session-data/environment

Exemple de classification: https://www.machinelearningplus.com/machine-learning/caret-package/ Utilisation des fonctions de caret ensemble&List https://cran.r-project.org/web/packages/caretEnsemble/vignettes/caretEnsemble-intro.html :

object Main2 extends App{ println("test:") val b = List("banana" , "pear" , "apple" , "orange").sorted.foreach(println) val c =List(10 , 5 , 4 , 8 , 1) print(c) List(10 , 5 , 8 , 1 , 7).sortWith(_ > _).sorted.foreach(println) val x = List.range(1 , 10) println(x) val names = List("Bob" , "Fred" , "Joe" , "Julia" , "Kim") for (noms <- names) println

#traitement map map(lambda x: 2*x, range(10)) #equivalent à [2*x for x in range(10)] #traitement filter filter(lambda x: x>5, range(10)) [x for x in range(10) if x>5] ages = range(30) majeurs = filter(lambda x: x > 18, ages) majeurs = [a for a in ages if a > 18] #map et filter map(lambda x: 2*x, filter(lambda x: x>5, range(10))) #ou [2*x for x in

conda activate deeplearningaz pour activer l'environnement deplearningaz conda deactivate pour le desactiver

No Free Hunch liens vers les solutions kaggle avis étude kaggle 2017 avis étude kaggle 2017 juandes.github.io(exemples d'etudes DS) blog datascientist uses cases

En R: traitement des series temporelles en R Forecast: sweep time series keras en r

Calcul du nombre de fenêtres par souhait d'échantillonnage #découpage par fenetre de taille(minutes désirée) bin_taillefenetre_enminute=c(60,30,15,5,1) nbre_fenetre_parheure=60/bin_taillefenetre_enminute nbre_fenetre_parjour=nbre_fenetre_parheure*24 nbre_fenetre_parsemaine=nbre_fenetre_parjour*7 #reference minutes/jours(max 1440 minutes par jo