# 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))

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 :

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

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

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

#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

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

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

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