You cannot sign up to Kaggle from multiple accounts and therefore you cannot submit from multiple accounts.
\r\n\r\n Privately sharing code or data outside of teams is not permitted.\r\n It's okay to share code if made available to all participants on the forums.\r\n
\r\nTeam mergers are not allowed in this competition.
\r\n\r\nThere is no maximum team size.
\r\nYou may submit a maximum of 2 entries per day.
\r\nYou may select up to 2 final submissions for judging.
\r\nStart Date: TBA
\r\nMerger Deadline: None
\r\nEntry Deadline: None
\r\nEnd Date: 2/1/2014 12:00 AM UTC
\r\n\t\r\nThe rules page is a bit special: it will auto-update the text based on the parameters of the competition. The rules you need to add here are any additional rules relating to dataset usage. You may also put grading information here.
", "isPublished": false, "hasIsPublished": false, "postTitle": "", "hasPostTitle": false, "mimeType": "", "hasMimeType": false }, { "name": "data-description", "content": "Vous avez en votre possession un jeu de données concernant les passagers du titanic\n
L'objectif est de créer un modèle de fouille de données pour prédire les chances de survie d'un passager du titanic. \nAu cours des 3 TPs, vous découvrirez les outils de bases ainsi que les algorithmes pour l'apprentissage.
\n\nVous trouverez dans les liens suivants la documentation utile aux TPs. Par ailleurs, vous avez le droit d'effectuer des recherches internet relatives au language Python et à ses librairies.\n\n
Il vous est demandé d'utiliser les outils mis en place par Kaggle afin d'exploiter le jeu de données. Pour cela vous devez créer un Kernel Notebook Python.\nVous associerez le jeu de données à exploiter à celui de la compétition.
\n\n##2. Importation des bibliothèques\nVous devez importer les bibliothèques de bases demandées pour ce TP : Pandas, Numpy, Matplotlib ainsi que display.
\n\n## 3. Chargement des données\nVous devez charger les données titanic.csv dans une dataframe pandas puis afficher la Dataframe. Que constatez vous ?
\n\n## 4. Analyse de la distribution des attributs\nPour chaque attribut disponible afficher sa distribution grâce à matplotlib puis sa distribution en fonction de la survie ou non du passager, si cela est possible. Que constater vous et quelle mesure doivent être prise selon vous ? \n\nDans la suite du TP les affichages visuels utiliseront la librairie matplotlib.
\n\n## 5. Traitement des attributs\nVous devez traiter la Dataframe pour ne garder que les attributs les plus pertinents par rapport aux questions précédentes.\nPar ailleurs, nous avons constaté qu'il y a des valeurs manquantes pour certains tuples de la base. \nPourquoi faut-il les traiter ? Quelles sont les moyens pour y parvenir. Choississez en un et appliquer le dans notre cas.
\n\n## 6. Transformation des attributs\nVous remarquerez que certains attributs sont discrets tandis qu'il pourrait être intéressant qu'ils soient catégoriels pour certains modèles. \nTrouvez la méthode pandas qui permet de passer d'une série discrète à un ensemble de valeur fini.
\nDe la même manière plusieurs attributs sont des strings, trouver la méthode pandas qui permet de les transformer en int.
\n\n## 7. Création d'ensemble d'apprentissage et de test\nVous devez créer deux ensembles à partir du jeu de données titanic pour entrainer et tester vos futurs modèles. Pour cela, vous devez mettre en place un système aléatoire permettant de répartir les tuples dans deux ensembles en fonction de la répartition voulues, i.e. 70-30%. \nEtudier la répartition des données et critiquer les limites de cette méthode. \n\nDans les prochains TPs vous reprendrez les jeux déjà fournis pour entrainer et tester vos modèles.
\n\n\n", "isPublished": false, "hasIsPublished": false, "postTitle": "", "hasPostTitle": false, "mimeType": "", "hasMimeType": false }, { "name": "TP2 : KNN", "content": "## 1. Forker\nForker le notebook à la page Découverte des outils python
\n\n## 2. Manipulation de données\nEn analysant le principe de fonctionnement de KNN, mettez en place les transformations de données nécessaire pour le bon fonctionnement du modèle.
\n\n## 3. Scikit-learn\nChargez le modèle KNN de la bibliothèque scikit-learn
\n\n## 4. Prédiction accuracy\nMettez en place un calcul du taux de prédiction de votre modèle en apprentissage et en test.
\n\n## 5. Paramétrage\nChercher le paramétrage qui vous donne le meilleur taux sur l'apprentissage, quelles sont ces performances en test ? Pourquoi ?
\n\n## Bonus\nProgrammer votre version de KNN et comparer la avec celle de scikit-learn. Quel est son temps d'exécution ? Son taux de prédiction ?", "isPublished": false, "hasIsPublished": false, "postTitle": "", "hasPostTitle": false, "mimeType": "", "hasMimeType": false }, { "name": "TP3 : Do It Yourself", "content": "
L'objectif est de mettre en application ce que vous avez vu lors du TP1 et 2 afin de réaliser un apprentissage complet sur un nouveau jeu de données.
\n\n#1. Le jeu de données \nVous travaillerez sur le jeu de données Iris que vous irez télécharger sur la base de l'UCI.
\n\n#2. Travail à effectuer\nIl vous est demander de réaliser les mêmes étapes de nettoyage du jeu de données vues en TPs puis de tester trois modèles d'apprentissage de votre choix grâce à la bibliothèque Scikit.
\n\n#3. Travail à fournir \nUn rapport sera déposé sur l'ENT précisant les étapes suivies et pourquoi avec le résultat des cellules exécutées. Le recall, la précision et la prédiction de chaque modèle devront être fournis, puis vous conclurerez par le modèle qui d'après vous doit être utilisé.
\n\n#4. Bon courage :)", "isPublished": false, "hasIsPublished": false, "postTitle": "", "hasPostTitle": false, "mimeType": "", "hasMimeType": false }, { "name": "TP4 : Naives Et Tree", "content": "## 1. A la suite\nVous utiliserez votre Kernel précédemment utilisé afin de compléter les résultats obtenus.
\n\n## 2. Naive Bayes\nVous mettrez en place le modèle proposé par scikit learn. \nQuels sont vos résultats en prédiction, précision et recall ?
\n\n## 3. Arbre de décision \nVous mettrez en place un arbre de décision proposé par scikit learn et le paramétrerez. Quels sont vos résultats en prédiction, précision et recall ?
\n\n## 4. Comparaison Finale \nVous comparerez le résultat obtenu par chaque modèle et expliquerez quel est le modèle à privilégier et pourquoi.
\n\n## BONUS\nPour votre entrainement, refaire toutes les étapes vues en TP sur le dataset suivant : Gender prediction
", "isPublished": false, "hasIsPublished": false, "postTitle": "", "hasPostTitle": false, "mimeType": "", "hasMimeType": false } ] }