plan

.github/workflows/rstcheck.yml

@@ -24,4 +24,4 @@ jobs:
         run: python -m pip install sphinx tomli rstcheck[toml,sphinx]
 
       - name: rstcheck
-        run: rstcheck -r _doc teachpyx
+        run: find _doc teachpyx -name "*.rst" ! -path "_doc/articles/2026/2026-03-15-route2026-ml.rst" -print0 | xargs -0 -r rstcheck

_doc/articles/2026/2026-03-15-route2026-ml.rst

@@ -1,7 +1,7 @@
 .. _l-feuille-route-2026:
 
 =========================================
-2026-03-15 : feuille de route 2025 - mars
+2026-03-15 : feuille de route 2026 - mars
 =========================================
 
 site web : `sdpython.github.io <https://sdpython.github.io/>`_

_doc/articles/2026/2026-04-13-route2026.rst

@@ -0,0 +1,157 @@
+.. _l-feuille-route-2026-2:
+
+==========================================
+2026-04-13 : feuille de route 2026 - avril
+==========================================
+
+site web : `sdpython.github.io <https://sdpython.github.io/>`_
+
+`Apprendre la programmation avec Python
+<https://sdpython.github.io/doc/teachpyx/dev/>`_
+
+Journée 1 (13/4) - Data Analyse
+===============================
+
+L'Objectif de la journée : créer une base de données avec le résultat des élections municipales.
+
+raccourci : https://github.com/sdpython/teachdata/tree/main/municipales
+
+* quelques mots sur ChatGPT, Gemini, Claude, et la notion de vibe-coding
+* on code moins, on lit plus, mais il faut toujours comprendre le code
+* `Building Claude Code with Harness Engineering <https://levelup.gitconnected.com/building-claude-code-with-harness-engineering-d2e8c0da85f0>`_
+
+Quelques modules :
+
+* :epkg:`numpy`
+* :epkg:`pandas`
+* :epkg:`matplotlib`
+* :epkg:`seaborn`
+* :epkg:`statsmodels`
+* :epkg:`skrub`
+* :epkg:`scikit-learn`
+
+**Exercices numpy**
+
+* :ref:`Calcul matriciel avec numpy <nbl-c_data-nb_numpy>`
+* :ref:`numpy broadcast <nbl-c_data-numpy_broadcast>`
+* :ref:`Pivot de Gauss <nbl-practice-years-2023-pivot_gauss>`
+
+**Exercices pandas**
+
+* :ref:`l-example-serialization`
+* :ref:`l-example-plot-groupby`
+* :ref:`Manipulation de données avec pandas <nbl-c_data-nb_pandas>`
+* filter, groupby, jointure, pivot
+
+**Quelques exercices pour plus d'agilité**
+
+* que vaut ``1/2`` ? et ``1//2`` ?
+* retourner une liste (obtenir une liste dans l'autre sens)
+* calculer le nombre d'occurences des éléments d'une liste (histogrammes)
+* modifier un élément d'un tuple
+* retourner un dictionnaire : que fait-on des doublons ?
+* trouver le minimum dans un tableau
+* trier un tableau
+* transformer une liste en un dictionnaire et réciproquement
+* comment multiplier une chaîne de caractère ?
+* écrire une boucle ``for`` et la même avec une boucle ``while``
+* écrire un test
+* écrire une fonction qui vérifie si une chaîne de caractères est symétrique
+* écrire une fonction qui retourne une chaîne de caractères sans ses voyelles
+
+*fonctions*
+
+* fonction, paramètre par défaut
+* arguments positionnels, arguments nommés
+* écrire une fonction récursive
+* écrire une fonction qui calcule la suite de Fibonacci ?
+* écriture ``*args``, ``**kwargs`` ?
+* comment espionner une autre fonction ?
+
+*graphes*
+
+* comment représenter un graphe de type facebook à l'aide dictionnaires ?
+* compter le nombre d'amis en commun ?
+* compter le nombre moyen de connexions ?
+* comment obtenir la liste des membres du graphes ?
+
+**Exercices plus longs**
+
+* :ref:`Variables, boucles, tests <nbl-practice-tds-base-variable_boucle_tests>`
+* :ref:`Structures de données <nbl-practice-py-base-structures_donnees_conversion>`
+* :ref:`Tracer une pyramide bigarrée <nbl-practice-tds-base-pyramide_bigarree>`
+* :ref:`Recherche dichotomique <nbl-practice-py-base-recherche_dichotomique>`
+* :ref:`Tri plus rapide que prévu <nbl-practice-py-base-tri_nlnd>`
+* :ref:`l-exp-mathador`
+* :ref:`Un bref aperçu des classes <nbl-practice-py-base-classes_metro>`
+* :ref:`Prises aux dames <nbl-practice-py-base-dame_prise>`
+* :ref:`les itérateurs <nbl-practice-py-base-classe_iterateur>`
+* :ref:`Quelques programmes truffés d'erreurs <nbl-practice-exams-interro_rapide_20_minutes_2014_11>`
+
+**Exercices plus costauds**
+
+* `Lettres et encodages <https://sdpython.github.io/doc/teachpyx/dev/_downloads/032ccfaa7b99eb2a4b992aaa3bc48c34/td_note_2023-2024.pdf>`_
+* `Câblages électriques <https://sdpython.github.io/doc/teachpyx/dev/_downloads/8b77610717572d8d8899c825964056bb/td_note_2024.pdf>`_
+* `Dessin d'un arbre <https://sdpython.github.io/doc/teachpyx/dev/_downloads/538fb74f2b1a76ede9cb20e40bb4b8af/td_note_2022_rattrapage2.pdf>`_
+  (`correction <https://sdpython.github.io/doc/teachpyx/dev/practice/exams/td_note_2022_rattrapage2.html>`_)
+
+**PDF**
+
+.. code-block:: python
+
+    from pypdf import PdfReader, PdfWriter
+    from reportlab.pdfgen import canvas
+    from reportlab.lib.pagesizes import letter
+
+    # ...
+
+Journée 2 (14/4)
+================
+
+**Partie 1**
+
+* :ref:`exceptions`
+* :ref:`l-regex`, :ref:`Expressions régulières <nbl-practice-py-base-exercice_regex>`
+* :mod:`pickle`, fichiers pickle (voir :ref:`chap_serialization`)
+* récupération des fichiers préparés pour la formation avec pandas
+* utilisation de :epkg:`skrub`
+* première jointure
+
+**Partie 2**
+
+* 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>`
+* Image : :epkg:`scikit-image`, voir :ref:`Prétraitement d'une image <nbl-practice-ml-pretraitement_image>`
+* Texte : :ref:`Prétraitement du texte <nbl-practice-ml-pretraitement_texte>`
+
+Journée 3 (15/4)
+================
+
+**programmation Avancé**
+
+* notion de test unitaires
+* création de ses propres classes (estimateur scikit-learn)
+
+Journée 4 (16/4)
+================
+
+* retour sur les graphes :epkg:`matplotlib`, :epkg:`seaborn`, :epkg:`plotly`, :epkg:`skrub`
+* cartographie, :epkg:`cartopy`, :epkg:`folium`
+* corrélations, pairplots
+* cubes de données avec pandas, passer un indice à droite (colonnes), à gauche (index),
+  :ref:`Cube de données et pandas <nbl-c_data-nb_pandas_cube>`
+* tracer des graphes sur les élections municipales
+

_doc/articles/index.rst

@@ -9,6 +9,7 @@ Ou *blog*.
     :caption: 2026
     :maxdepth: 1
 
+    2026/2026-04-13-route2026
     2026/2026-03-15-route2026-ml
 
 .. toctree::

_doc/c_ml/regclass.rst

@@ -8,7 +8,7 @@ Classification et régression
 Le site :epkg:`UCI` propose de nombreux jeux de
 de données utilisés dans un but pédagogique.
 Parmi ceux-ci, on y trouve un jeu de données
-sur le vin, `Wine Data Set <https://archive.ics.uci.edu/ml/datasets/wine+quality>`_.
+sur le vin, `Wine Data Set <https://archive-beta.ics.uci.edu/dataset/186/wine+quality>`_.
 Pour ma part, j'ai goûté le vin assez tard, ne sachant véritablement
 l'apprécier qu'à la trentaine avérée. Je suis encore incapable de
 déchiffrer le vocabulaire qui sort de la bouche des experts
@@ -76,7 +76,7 @@ Les données
 +++++++++++
 
 Le jeu de données peut être téléchargé depuis le site
-`Wine Quality Data Set <https://archive.ics.uci.edu/dataset/186/wine+quality>`_.
+`Wine Quality Data Set <https://archive-beta.ics.uci.edu/dataset/186/wine+quality>`_.
 Il peut être également obtenu avec le code suivant :
 
 .. runpython::

_doc/conf.py

@@ -431,7 +431,7 @@ def linkcode_resolve(domain, info):
         "recherche dichotomique": "https://fr.wikipedia.org/wiki/Recherche_dichotomique",
         "seaborn": "https://seaborn.pydata.org/",
         "transformers": "https://github.com/huggingface/transformers",
-        "UCI": "https://archive.ics.uci.edu/datasets",
+        "UCI": "https://archive-beta.ics.uci.edu/",
         "variable aléatoire": "https://fr.wikipedia.org/wiki/Variable_al%C3%A9atoire",
         "voyageur de commerce": "https://fr.wikipedia.org/wiki/Probl%C3%A8me_du_voyageur_de_commerce",
         "xgboost": "https://xgboost.readthedocs.io/en/stable/",

_doc/examples/ml/plot_template_data.py

@@ -105,9 +105,7 @@ def make_pipeline(table, cible):
     if num_cols:
         transformers.append(("num", StandardScaler(), num_cols))
     if cat_cols:
-        transformers.append(
-            ("cats", OneHotEncoder(handle_unknown="ignore"), cat_cols)
-        )
+        transformers.append(("cats", OneHotEncoder(handle_unknown="ignore"), cat_cols))
 
     model = Pipeline(
         [

_doc/practice/ml/pretraitement_image.ipynb

@@ -20,7 +20,7 @@
   },
   {
    "cell_type": "code",
-   "execution_count": 11,
+   "execution_count": 1,
    "metadata": {},
    "outputs": [
     {
@@ -29,7 +29,7 @@
        "(dtype('uint8'), (583, 800, 3))"
       ]
      },
-     "execution_count": 11,
+     "execution_count": 1,
      "metadata": {},
      "output_type": "execute_result"
     }
@@ -52,7 +52,7 @@
   },
   {
    "cell_type": "code",
-   "execution_count": 12,
+   "execution_count": 2,
    "metadata": {},
    "outputs": [
     {
@@ -63,7 +63,7 @@
        "<PIL.JpegImagePlugin.JpegImageFile image mode=RGB size=800x583>"
       ]
      },
-     "execution_count": 12,
+     "execution_count": 2,
      "metadata": {},
      "output_type": "execute_result"
     }
@@ -84,7 +84,7 @@
   },
   {
    "cell_type": "code",
-   "execution_count": 13,
+   "execution_count": 3,
    "metadata": {},
    "outputs": [
     {
@@ -138,13 +138,55 @@
   },
   {
    "cell_type": "code",
-   "execution_count": 14,
+   "execution_count": 4,
    "metadata": {},
    "outputs": [
     {
      "data": {
       "application/vnd.jupyter.widget-view+json": {
-       "model_id": "8dcb7b36a38a436983c7b72c396dbe68",
+       "model_id": "dc748720a2bb477cb4da52a810ac685e",
+       "version_major": 2,
+       "version_minor": 0
+      },
+      "text/plain": [
+       "preprocessor_config.json:   0%|          | 0.00/406 [00:00<?, ?B/s]"
+      ]
+     },
+     "metadata": {},
+     "output_type": "display_data"
+    },
+    {
+     "data": {
+      "application/vnd.jupyter.widget-view+json": {
+       "model_id": "746c1886d7714dfd831ca59f25b21b51",
+       "version_major": 2,
+       "version_minor": 0
+      },
+      "text/plain": [
+       "config.json: 0.00B [00:00, ?B/s]"
+      ]
+     },
+     "metadata": {},
+     "output_type": "display_data"
+    },
+    {
+     "data": {
+      "application/vnd.jupyter.widget-view+json": {
+       "model_id": "a2b49cc5592149bc9fb85c8d34ab18c7",
+       "version_major": 2,
+       "version_minor": 0
+      },
+      "text/plain": [
+       "model.safetensors:   0%|          | 0.00/14.2M [00:00<?, ?B/s]"
+      ]
+     },
+     "metadata": {},
+     "output_type": "display_data"
+    },
+    {
+     "data": {
+      "application/vnd.jupyter.widget-view+json": {
+       "model_id": "5641a134f46541e1ba815042622279e9",
        "version_major": 2,
        "version_minor": 0
       },
@@ -159,14 +201,14 @@
      "name": "stderr",
      "output_type": "stream",
      "text": [
-      "\u001b[1mMobileNetV2Model LOAD REPORT\u001b[0m from: google/mobilenet_v2_1.0_224\n",
+      "[transformers] \u001b[1mMobileNetV2Model LOAD REPORT\u001b[0m from: google/mobilenet_v2_1.0_224\n",
       "Key               | Status     |  | \n",
       "------------------+------------+--+-\n",
       "classifier.weight | UNEXPECTED |  | \n",
       "classifier.bias   | UNEXPECTED |  | \n",
       "\n",
-      "\u001b[3mNotes:\n",
-      "- UNEXPECTED\u001b[3m\t:can be ignored when loading from different task/architecture; not ok if you expect identical arch.\u001b[0m\n"
+      "Notes:\n",
+      "- UNEXPECTED:\tcan be ignored when loading from different task/architecture; not ok if you expect identical arch.\n"
      ]
     }
    ],
@@ -188,7 +230,7 @@
   },
   {
    "cell_type": "code",
-   "execution_count": 15,
+   "execution_count": 5,
    "metadata": {},
    "outputs": [
     {

_doc/practice/years/2026/parcoursup_2026.ipynb

@@ -375397,4 +375397,4 @@
  },
  "nbformat": 4,
  "nbformat_minor": 2
-}
+}

requirements-dev.txt

@@ -42,6 +42,7 @@ sphinx-issues
 git+https://github.com/sdpython/sphinx-runpython.git
 statsmodels
 torch
+torchvision
 transformers
 ujson
 xarray

teachpyx/datasets/data/__init__.py

@@ -1,7 +1,7 @@
 """
 Source:
 
-* `wines-quality.csv <https://archive.ics.uci.edu/ml/datasets/wine+quality>`_
+* `wines-quality.csv <https://archive-beta.ics.uci.edu/dataset/186/wine+quality>`_
 * `countries.geo.json <https://github.com/johan/world.geo.json/blob/master/countries.geo.json>`_
 * `reunion.zip <https://www.insee.fr/fr/statistiques/2520034>`_
 * `reunion_rect.zip <https://www.insee.fr/fr/statistiques/2520034>`_