Move notebooks (#36)

* Move notebooks

* fix url

* index

* fix conf

* doc

* add plan

* fix doc

* fix issues

* conf

* fix minor things

Author: xadupre

CHANGELOGS.rst

@@ -1,9 +1,11 @@
 Change Logs
 ===========
 
-0.3.0
+0.3.1
 +++++
 
-* :pr:`24`: ajout d'exercices venant de sdpython/ensae_teaching_cs
+* :pr:`24`, :pr:`25`, :pr:`26`, :pr:`27`, :pr:`28`, :pr:`29`,
+  :pr:`30`, :pr:`31`, :pr:`32`, :pr:`33`, :pr:`34`, :pr:`35`,
+  :pr:`36`: ajout d'exercices venant de sdpython/ensae_teaching_cs
 * :pr:`22`: ajout d'un exemple sur le Mathador
 * :pr:`21`: refactoring

_doc/api/tools.rst

@@ -26,3 +26,9 @@ profiling
 
 .. automodule:: teachpyx.tools.profiling
     :members:
+
+RenderJsDot
++++++++++++
+
+.. autoclass:: teachpyx.tools.nb_helpers.RenderJsDot
+    :members:

_doc/articles/2023-09-06-ensae.rst

@@ -0,0 +1,38 @@
+2023-09-06 : ENSAE
+==================
+
+**Notions à maîtriser**
+
+* éléments de bases du langages (boucles, listes, tests, fonctions)
+* classes (attributes, méthodes, opérateurs, héritages)
+* graphes, arbre
+* numpy (opérations standard, broadcasting)
+* format de données (JSON, XML, HTML, csv)
+* tests unitaires (package unittest, git, pull request)
+* algorithmes
+   * tri fusion
+   * recherche dichotomique
+   * graphes (composantes connexes, Kruskal)
+   * programmation dynamique (chemin plus court dans un graphe, distance d'édition)
+   * problème NP-complet tels que le voyageur de commerce
+
+**Notions non abordées**
+
+Elles le seront en seconde année et non en première année : manipulation de données, pandas, machine learning.
+
+**Evaluation**
+
+1 TD noté. Les classes seront abordées et un problème algorithmique.
+Voir aussi les précédents énoncés : :ref:`l-exams`.
+
+**Ressources**
+
+* Ce site : `sdpython.github.io/doc/teachpyx/dev/ <https://sdpython.github.io/doc/teachpyx/dev/>`_
+* :ref:`l-book-python`
+* exercices sur le langage :ref:`l-python`
+* exercices sur des algortihmes :ref:`l-algo`
+* examens passés :ref:`l-exams`
+* Site plus tout-à-fait maintenu `www.xavierdupre.fr <http://www.xavierdupre.fr>`_
+* `Plan suivi en 2022
+  <http://www.xavierdupre.fr/app/ensae_teaching_cs/helpsphinx3/questions/route_1A_2022.html#seance-1-7-9-introduction-dictionnaire>`_
+* `Des aspects plus mathématiques d'algorithmes <https://sdpython.github.io/doc/mlstatpy/dev/>`_

_doc/articles/index.rst

@@ -5,6 +5,7 @@ Collections d'articles inclassables
 
 .. toctree::
 
+    2023-09-06-ensae
     2023-08-09-hermionne
     2023-08-03-code-jam
     2022-12-07-cartopy

_doc/c_data/nb_array.ipynb

@@ -846,14 +846,14 @@
   {
    "cell_type": "markdown",
    "metadata": {},
-   "source": [
-    "## Exercice 1 : Echiquier et Crible d'Erathosthène"
-   ]
+   "source": []
   },
   {
    "cell_type": "markdown",
    "metadata": {},
    "source": [
+    "## Exercice 1 : Echiquier et Crible d'Erathosthène\n",
+    "\n",
     "* Exercice 1-A Echiquier: Créer une matrice échiquier (des 1 et des 0 alternés) de taille 8x8, de deux façons différentes\n",
     "    * en vous servant de slices \n",
     "    * en vous servant de la fonction [tile](http://docs.scipy.org/doc/numpy/reference/generated/numpy.tile.html#numpy.tile)\n",
@@ -2298,29 +2298,17 @@
     "* [Un tutoriel bien fait et très complet sur numpy](http://gael-varoquaux.info/scipy-lecture-notes/intro/numpy/index.html). L'un des auteurs n'est autre que Gaël Varoquaux qui sera présent pour la séance 3. Voir aussi la [partie optimisation](http://gael-varoquaux.info/scipy-lecture-notes/advanced/mathematical_optimization/index.html) "
    ]
   },
-  {
-   "cell_type": "markdown",
-   "metadata": {
-    "collapsed": true
-   },
-   "source": [
-    "## Eléments de réponses pour les exercices"
-   ]
-  },
-  {
-   "cell_type": "markdown",
-   "metadata": {},
-   "source": [
-    "### Exercice 1 (Echiquier et Crible d'Erathosthene)"
-   ]
-  },
   {
    "cell_type": "markdown",
    "metadata": {},
    "source": [
+    "## Eléments de réponses pour les exercices\n",
+    "\n",
+    "### Exercice 1 (Echiquier et Crible d'Erathosthene)\n",
+    "\n",
     "* Exercice 1-A Echiquier: Créer une matrice échiquier (des 1 et des 0 alternés) de taille 8x8, de deux façons différentes\n",
     "    * en vous servant de slices \n",
-    "    * en vous servant de la fonction [tile](http://docs.scipy.org/doc/numpy/reference/generated/numpy.tile.html#numpy.tile)\n"
+    "    * en vous servant de la fonction [tile](http://docs.scipy.org/doc/numpy/reference/generated/numpy.tile.html#numpy.tile)"
    ]
   },
   {
@@ -2509,13 +2497,8 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "### Exercice 2 (marches aléatoires)"
-   ]
-  },
-  {
-   "cell_type": "markdown",
-   "metadata": {},
-   "source": [
+    "### Exercice 2 (marches aléatoires)\n",
+    "\n",
     "Simulez (**en une seule fois!**) 10000 marches aléatoires de taille 1000, partant de 0 et de pas +1 ou -1 équiprobables \n",
     "\n",
     "* Faites un graphe représentant la racine de la moyenne des carrés des positions (=cumul des pas à un instant donné) en fonction du temps\n",
@@ -2621,7 +2604,7 @@
     "# we use argmax on the boolean array to get the first True value\n",
     "first_hits = (np.abs(walks[hits_the_bound, :]) > bound).argmax(axis=1)\n",
     "titles.append(f\"Mean crossing time:{first_hits.mean():1.2f}\")\n",
-    "ax[1].set_title(\"\\n\".join(titles))"
+    "ax[1].set_title(\"\\n\".join(titles));"
    ]
   },
   {
@@ -2667,13 +2650,8 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "### Exercice 4 (simulation, régression, estimation par maximisation de la vraisemblance)"
-   ]
-  },
-  {
-   "cell_type": "markdown",
-   "metadata": {},
-   "source": [
+    "### Exercice 4 (simulation, régression, estimation par maximisation de la vraisemblance)\n",
+    "\n",
     "* On commence par simuler la variable $Y = 3 X_1 -2 X_2 +2 + \\epsilon$ où $X_1,X_2,\\epsilon \\sim \\mathcal{N}(0,1)$ \n",
     "* On souhaite ensuite retrouver les coefficients dans la [régression linéaire](http://fr.wikipedia.org/wiki/R%C3%A9gression_lin%C3%A9aire) de $Y$ sur $X_1$ et $X_2$ dans un modèle avec constante, par la méthode des Moindres Carrés Ordinaires. On rappelle que la forme matricielle de l'estimateur des MCO est $\\hat{\\beta} = (X'X)^{-1}X'Y$\n",
     "* Enfin, $Y$ étant normale, on souhaite estimer ses paramètres par maximisation de vraisemblance:\n",

_doc/c_resume/conseil_programmes.rst

@@ -66,12 +66,13 @@ On écrit la fonction qui vérifie cela.
 
 ::
 
-    def somme_double (liste) :
+    def somme_double(liste) :
         return 1.0 * sum(liste)
 
-    def test_somme_double () :
+    def test_somme_double() :
         y = somme_double([ 1 ]) / 2
-        if y == 0 : raise Exception ("valeur > 0 attendue")
+        if y == 0:
+            raise Exception("valeur > 0 attendue")
 
     if __name__ == "__main__" :
         test_somme_double()
@@ -89,7 +90,8 @@ s'attend à ce qu'elle retourne ce type de résultat.
       File "conseil.py", line 10, in <module>
         test_somme_double()
       File "conseil.py", line 7, in test_somme_double
-        if y == 0 : raise Exception ("valeur > 0 attendue")
+        if y == 0:
+            raise Exception("valeur > 0 attendue")
     Exception: valeur > 0 attendue
 
 Trucs et astuces