up

_doc/articles/2025/2025-04-01-route2025.rst

@@ -125,49 +125,81 @@ Journée 3 (3/3)
 **Partie 1**
 
 * retour sur la syntaxe du langage python, boucle, test, fonctions et classes,
-  :ref:`Tracer une pyramide bigarrée <nbl-practice-tds-base-pyramide_bigarree>`
-* exceptions
+* exercice : :ref:`Tracer une pyramide bigarrée <nbl-practice-tds-base-pyramide_bigarree>`
+* :ref:`exceptions`
 * :ref:`l-regex`, :ref:`Expressions régulières <nbl-practice-py-base-exercice_regex>`
 * :mod:`pickle`, fichiers pickle (voir :ref:`chap_serialization`)
-* :ref:`Tests unitaires <nbl-practice-py-base-tests_unitaires>`
 * récupération des fichiers préparés pour la formation avec pandas
-* utilisation de `:epkg:`skrub` pour avoir un premier aperçu ou
-  :epkg:`pandas-profiling`, :epkg:`orange3`
+* utilisation de :epkg:`skrub` pour avoir un premier aperçu ou
+  :epkg:`pandas-profiling`, (voir aussi :epkg:`orange3`)
+* première jointure
 
 **Partie 2**
 
+* gestion des dates
 * rappel pandas: group by, jointure, inner, outer, left, right, pivot
-* gestion des doublons avec :meth:`pandas.DataFrame.duplicated`
 * une fois la base complète obtenue, analyse de nouveau
-* mêmes opérations en SQL, :func:`pandas.read_sql`, :meth:`pandas.DataFrame.to_sql`
-* identification des valeurs aberrantes, voir :meth:`pandas.DataFrame.quantile`
-* valeurs manquantes, remplacement simple (moyenne),
-  corrélations (:class:`sklearn.impute.KNNImputer`), prédictions
-* premières impressions
+
+**Questions sur les données une fois la jointure effectuée**
+
+* As-t-on associé tous les sinistres ?
+* Calculer la durée entre la date d'un sinistre et le premier jour couvert par l'assurance.
+  Tracer sa distribution. Que remarque-t-on ?
+* Peut-on garder tous les sinistres associés ? (il faut regarder la période couverte)
+* On calcule le nombre de sinistres par individu, puis on fait la moyenne
+  par année. Est-ce que la proportion paraît constante ?
+* On fait de même pour différentes catégories de la base ?
+* Comment illustrer rapidement cela avec un graphique ?
+* Comment faire des statistiques sur une année ?
+  Comment faire avec des assurances à cheval sur deux années ?
 
 Journée 4 (4/3)
 ===============
 
 **Partie 1**
 
-* retour sur les graphes matplotlib, seaborn, plotly, :epkg:`skrub`
-* cartographie, cartopy, folium encore
+* retour sur les graphes :epkg:`matplotlib`, :epkg:`seaborn`, :epkg:`plotly`, :epkg:`skrub`
+* cartographie, :epkg:`cartopy`, :epkg:`folium`
 * corrélations, pairplots
-* gestion des dates
-* cubes de données avec pandas, passer un indice à droite, à gauche
-* on reprend chaque colonne
+* cubes de données avec pandas, passer un indice à droite (colonnes), à gauche (index)
+* reprise de quelques traitement de la veille en SQL :func:`pandas.read_sql`, :meth:`pandas.DataFrame.to_sql`
+* mêmes opérations avec :epkg:`SQLite`, :mod:`sqlite3`
+* gestion des doublons avec :meth:`pandas.DataFrame.duplicated`
+* identification des valeurs aberrantes, voir :meth:`pandas.DataFrame.quantile`
+* :ref:`Tests unitaires <nbl-practice-py-base-tests_unitaires>`
+* On reprend le code écrit jusqu'à présent. On veut écrire une fonction qui
+  effectue la jointure et extrait toutes les lignes aberrantes ou manquantes.
+* Ecrire un test unitaire qui valide cette fonction.
+  Peut-on utiliser les données qu'on manipule depuis
+  le début de la séance ?
 
 **Partie 2**
 
 * notion d'itérateur en python
-* application à pandas read_csv version itérateur pour manipuler des gros dataframes
+* application à :func:`pandas.read_csv` version itérateur pour manipuler des gros dataframes
 * utilisation de sqlite3 (extension sqlite3 vscode)
 * découpage d'une base en deux, apprentissage, respecter le temps et les identifiants
 * calcul du prix d'un contrat d'assurance pour un an en fonction de
-  variables choisies
+  variables choisies en fonction des données connues
+* Obtient-on le même prix sur les deux bases ?
+* Ecrire le test unitaire validant la fonction qui calcule le prix.
+* Notion de package.
 
-**Prétraitements simples**
+Journée 5 (5/3)
+===============
 
+* introduction de :epkg:`scikit-learn`
+* valeurs manquantes, remplacement simple (moyenne),
+  corrélations (:class:`sklearn.impute.KNNImputer`), prédictions
+  (:class:`sklearn.impute.IterativeImputer`),
+  (voir `sklearn.impute <https://scikit-learn.org/stable/api/sklearn.impute.html>`_)
+* premières impressions
+* exemples classique pour traiter, enrichir un jeux de données :
+  `skrub tutorial <https://skrub-data.org/stable/auto_examples/00_getting_started.html>`_,
+  voir aussi
+  `AggJoiner on a credit fraud dataset <https://skrub-data.org/stable/auto_examples/08_join_aggregation.html>`_
+* :class:`sklearn.pipeline.Pipeline`, :class:`sklearn.compose.ColumnTransformer`, 
+  :class:`sklearn.pipeline.FeatureUnion`
 * Dates, Catégories : :epkg:`category_encoders`, :epkg:`skrub`,
   :ref:`Prétraitement des catégories <nbl-practice-ml-pretraitement_cat>`
 * Son : :epkg:`librosa`, voir :ref:`Prétraitement du son <nbl-practice-ml-pretraitement_son>`

_doc/conf.py

@@ -220,6 +220,7 @@
     "encoding": "https://fr.wikipedia.org/wiki/Codage_des_caract%C3%A8res",
     "eval": "https://docs.python.org/3/library/functions.html?highlight=id#eval",
     "Excel": "https://fr.wikipedia.org/wiki/Microsoft_Excel",
+    "folium": "https://python-visualization.github.io/folium/latest/",
     "format": "https://pyformat.info/",
     "format style": "https://pyformat.info/",
     "garbage collector": "https://fr.wikipedia.org/wiki/Ramasse-miettes_(informatique)",
@@ -266,6 +267,7 @@
     "Pillow": "https://pillow.readthedocs.io/en/stable/",
     "pip": "https://pip.pypa.io/en/stable/",
     "pipeline": "https://scikit-learn.org/stable/modules/generated/sklearn.pipeline.Pipeline.html",
+    "plotly": "https://plotly.com/python/",
     "Predictable t-SNE": "https://sdpython.github.io/doc/mlinsights/dev/auto_examples/plot_predictable_tsne.html",
     "printf-style String Formatting": "https://docs.python.org/3/library/stdtypes.html#old-string-formatting",
     "programmation impérative": "https://fr.wikipedia.org/wiki/Programmation_imp%C3%A9rative",
@@ -293,6 +295,7 @@
     "sklearn": "https://scikit-learn.org/stable/index.html",
     "sklearn-onnx": "https://onnx.ai/sklearn-onnx/",
     "skrub": "https://skrub-data.org/stable/",
+    "SQLite": "https://www.sqlite.org/",
     "statsmodels": "http://www.statsmodels.org/stable/index.html",
     "SVD": "https://fr.wikipedia.org/wiki/D%C3%A9composition_en_valeurs_singuli%C3%A8res",
     "sys.modules": "https://docs.python.org/3/library/sys.html?highlight=modules#sys.modules",