style

Author: xadupre

_doc/articles/2025/2025-03-01-route2025.rst

@@ -122,8 +122,7 @@ Séance 4 (21/2)
 
 **Prétraitement**
 
-* Dates, Catégories : `category_encoders <https://contrib.scikit-learn.org/category_encoders/>`,
-  `skrub <https://skrub-data.org/stable/>`_,
+* Dates, Catégories : :epkg:`category_encoders`, `skrub <https://skrub-data.org/stable/>`_,
   :ref:`Prétraitement des catégories <nbl-practice-ml-pretraitement_cat>`
 * Son : :epkg:`librosa`, voir :ref:`Prétraitement du son <nbl-practice-ml-pretraitement_son>`
 * Image : :epkg:`scikit-image`, voir :ref:`Prétraitement d'une image <nbl-practice-ml-pretraitement_image>`

_doc/conf.py

@@ -205,6 +205,7 @@
     "C++": "https://fr.wikipedia.org/wiki/C%2B%2B",
     "cloudpickle": "https://github.com/cloudpipe/cloudpickle",
     "Bresenham": "https://fr.wikipedia.org/wiki/Algorithme_de_trac%C3%A9_de_segment_de_Bresenham",
+    "category_encoders": "https://contrib.scikit-learn.org/category_encoders/",
     "copy": "https://docs.python.org/3/library/copy.html?highlight=copy#copy.copy",
     "cProfile.Profile": "https://docs.python.org/3/library/profile.html#profile.Profile",
     "Custom Criterion for DecisionTreeRegressor": "https://sdpython.github.io/doc/mlinsights/dev/auto_examples/plot_piecewise_linear_regression_criterion.html",

_doc/practice/ml/pretraitement_image.ipynb

@@ -200,9 +200,7 @@
     "# Charger un modèle léger (ResNet)\n",
     "MODEL_NAME = \"google/mobilenet_v2_1.0_224\"\n",
     "extractor = AutoFeatureExtractor.from_pretrained(MODEL_NAME)\n",
-    "model = AutoModel.from_pretrained(MODEL_NAME)\n",
-    "# image_processor = AutoImageProcessor.from_pretrained(\"google/mobilenet_v2_1.0_224\")\n",
-    "# model = MobileNetV2Model.from_pretrained(\"google/mobilenet_v2_1.0_224\")"
+    "model = AutoModel.from_pretrained(MODEL_NAME)"
    ]
   },
   {
@@ -236,32 +234,23 @@
    ]
   },
   {
-   "cell_type": "code",
-   "execution_count": null,
+   "cell_type": "markdown",
    "metadata": {},
-   "outputs": [],
    "source": [
-    "Ces modèles sont constitués de plusieurs couches."
+    "Ces modèles sont constitués de plusieurs couches. Il est possible d'utiliser n'importe laquelle de ces couches pour features. Plus la couche est proche du résultat, plus les features sont loin de l'image et spécialisées pour la tâche pour laquelle ce modèle a été appris."
    ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": []
   }
  ],
  "metadata": {
   "kernelspec": {
    "display_name": "Python 3 (ipykernel)",
    "language": "python",
    "name": "python3"
-  },
-  "language_info": {
-   "codemirror_mode": {
-    "name": "ipython",
-    "version": 3
-   },
-   "file_extension": ".py",
-   "mimetype": "text/x-python",
-   "name": "python",
-   "nbconvert_exporter": "python",
-   "pygments_lexer": "ipython3",
-   "version": "3.12.8"
   }
  },
  "nbformat": 4,

_doc/practice/ml/pretraitement_texte.ipynb

@@ -17,7 +17,7 @@
     "\n",
     "C'est le début de tout. La première étape consiste à découper un texte en token (caractères, mots, ...). Le plus souvent, c'est en mot. Chaque mot reçoit un identifiant. Une phrase est transformée en une liste d'entiers.\n",
     "\n",
-    "L'approche la plus simple consiste ensuite un vecteur binaire pour chaque mot $(v_1, ..., v_i, ..., v_n)$. $n$ est le nombre de mots reconnus par le modèle. $v_i in \\{ 0, 1 \\}$, il vaut 1 si i est égale à son numéro, 0 sinon. Chaque vecteur ne contient qu'un seul un.\n",
+    "L'approche la plus simple consiste ensuite un vecteur binaire pour chaque mot $(v_1, ..., v_i, ..., v_n)$. $n$ est le nombre de mots reconnus par le modèle. $v_i \\in \\{ 0, 1 \\}$, il vaut 1 si i est égale à son numéro, 0 sinon. Chaque vecteur ne contient qu'un seul un.\n",
     "\n",
     "On fait ensuite la somme pour obtenir un seul vecteur par phrase, quelle que soit la longueur de la phrase : [CountVectorizer](https://scikit-learn.org/stable/modules/generated/sklearn.feature_extraction.text.CountVectorizer.html)"
    ]
@@ -535,18 +535,6 @@
    "display_name": "Python 3 (ipykernel)",
    "language": "python",
    "name": "python3"
-  },
-  "language_info": {
-   "codemirror_mode": {
-    "name": "ipython",
-    "version": 3
-   },
-   "file_extension": ".py",
-   "mimetype": "text/x-python",
-   "name": "python",
-   "nbconvert_exporter": "python",
-   "pygments_lexer": "ipython3",
-   "version": "3.12.8"
   }
  },
  "nbformat": 4,