https://github.com/charlenry/python_math_machine_learning
Mes notebooks de travaux pratiques sur Python, NumPy, SimPy, SciPy, Matplotlib, Plotly, Seaborn et les Mathématiques pour le Machine Learning
https://github.com/charlenry/python_math_machine_learning
algebra derivatives functions jupyter linear matplotlib matrix numpy plotly probabilities pyplot python pytorch scipy seaborn sklearn statistics sympy tensorflow time
Last synced: about 5 hours ago
JSON representation
Mes notebooks de travaux pratiques sur Python, NumPy, SimPy, SciPy, Matplotlib, Plotly, Seaborn et les Mathématiques pour le Machine Learning
- Host: GitHub
- URL: https://github.com/charlenry/python_math_machine_learning
- Owner: charlenry
- Created: 2026-03-27T16:55:07.000Z (3 months ago)
- Default Branch: main
- Last Pushed: 2026-03-27T19:35:36.000Z (3 months ago)
- Last Synced: 2026-03-28T02:16:17.628Z (3 months ago)
- Topics: algebra, derivatives, functions, jupyter, linear, matplotlib, matrix, numpy, plotly, probabilities, pyplot, python, pytorch, scipy, seaborn, sklearn, statistics, sympy, tensorflow, time
- Language: Jupyter Notebook
- Homepage:
- Size: 864 KB
- Stars: 0
- Watchers: 0
- Forks: 0
- Open Issues: 0
-
Metadata Files:
- Readme: README.md
Awesome Lists containing this project
README
# Mes Notebooks sur Python, NumpPy et les Mathématiques pour le Machine Learning
## Introduction
Je m'appelle **Charles-Henri SAINT-MARS** et je suis très intéressé par la Data Science. Les notebooks de ce dépôt sont mes notes de travaux pratiques sur Python, NumPy et les Mathématiques pour le Machine Learning.
## Les sujet abordés
Les sujets abordés sont les suivants:
- Un niveau de maîtrise avancé des listes en Python (Slicing / List-Comprehension / Multi-Level Indexing)
- Algèbre Linéaire en Python (Vecteurs / Matrices / Tenseurs / Tensorflow / Pytorch)
- Les fonctions indispensables de NumPy pour le Machine Learning
- Utilisation de Sklearn datasets
- Les fonctions mathématiques usuelles et les dérivées de fonctions à une variable pour le Machine Learning
- Utilisation de SymPy pour calculer les dérivées partielles de fonctions à deux variables, le gradient, le lapacien, la divergence et le rotationnel de fonctions à deux ou trois variables
- Les statistiques
- Les probabilités
- Les outils graphiques (Matplotlib / Seaborn / Plotly / PyPlot)
## Conclusion
Ces travaux pratiques m'ont permis de consolider mes connaissances en Python, NumPy et les Mathématiques et Statistiques pour le Machine Learning.