Corrections orthographiques tp_clustering.ipynb

TP/TP2_mardi/tp_clustering.ipynb

 %% Cell type:markdown id: tags:
 
 # TP Clustering / non-supervisé
 
 %% Cell type:markdown id: tags:
 
 Aujourd'hui, on utilisera les données proposées par scikit learn. Ces données sont déjà nettoyées, déjà prêtes dans la libraries.
-Pour commencer, importer les libraries : numpy, matplotlib et le module datasets de scikit-learn
+Pour commencer, importez les libraries : numpy, matplotlib et le module datasets de scikit-learn
 
 %% Cell type:code id: tags:
 
 ``` python
 ```
 
 %% Cell type:markdown id: tags:
 
-Maintenant, on va utiliser les fonctions suivantes de la libraire dataset : datasets.make_circles, datasets.make_moons, datasets.make_blobs, datasets.make_blobs.
-Consulter la documentation intégrées de ces méthodes.
+Maintenant, on va utiliser les fonctions suivantes de la librairie `dataset` : `datasets.make_circles`, `datasets.make_moons`, `datasets.make_blobs`, `datasets.make_blobs`.
+Consultez la documentation intégrée de ces méthodes.
 Vous pouvez trouver des exemples d'utilisation de ces méthodes sur https://scikit-learn.org/stable/auto_examples/cluster/plot_cluster_comparison.html
 
 %% Cell type:code id: tags:
 
 ``` python
 ```
 
 %% Cell type:markdown id: tags:
 
 Générer 4 datasets, avec les paramètres suivants: n = 100, noise = .05, random_state = 8, cluster_std=[1.0, 2.5, 0.5].
 
 %% Cell type:code id: tags:
 
 ``` python
 ```
 
 %% Cell type:markdown id: tags:
 
 Tracer les données générées dans le plan ($R^2$).
 Commenter la difficulté du clustering.
 
 %% Cell type:code id: tags:
 
 ``` python
 ```
 
 %% Cell type:markdown id: tags:
 
 # Formatage du jeu de données
 
 %% Cell type:markdown id: tags:
 
-Pour entrainer nos alogrithmes, on va splitter notre jeu de données en 3 sous jeu de données:
+Pour entrainer nos alogrithmes, on va splitter notre jeu de données en 3 sous-jeux de données:
 - train
 - validation
 - test
 
 Pourquoi est-ce nécessaire?
 
-Pour cela, utiliser la fonction scikit-learn `sklearn.model_selection.train_test_split`. Importer cette méthode,
+Pour cela, utilisez la fonction scikit-learn `sklearn.model_selection.train_test_split`. Importez cette méthode,
 
 %% Cell type:code id: tags:
 
 ``` python
 ```
 
 %% Cell type:markdown id: tags:
 
 # K-means
-Utiliser les k-means sur chacun des datasets. __Conseil:__ : Une cellule par dataset pour plus de clarté.
+Utilisez les k-means sur chacun des datasets. __Conseil:__ : Une cellule par dataset pour plus de clarté.
 
 %% Cell type:code id: tags:
 
 ``` python
 ```
 
 %% Cell type:markdown id: tags:
 
-Comment avez vous choisi K ? Faites quelques tests, commentez les résultats. Gardez le meilleur hyperparmètre K.
+Comment avez-vous choisi K ? Faites quelques tests, commentez les résultats. Gardez le meilleur hyperparmètre K.
 
 %% Cell type:code id: tags:
 
 ``` python
 ```
 
 %% Cell type:markdown id: tags:
 
-Relancer plusieurs fois pour chaque dataset. Obtenez-vous les mêmes résultats? Si non, pourquoi?
+Relancez plusieurs fois pour chaque dataset. Obtenez-vous les mêmes résultats? Si non, pourquoi?
 
 %% Cell type:code id: tags:
 
 ``` python
 ```
 
 %% Cell type:markdown id: tags:
 
 # ACP / PCA / Principal Components Analysis
 On a vu la PCA ce matin. La fonction Scikit pour cette transformation est `sklearn.decomposition.PCA`. À vrai dire, c'est un objet. Consulter la documentation rapidemment : https://scikit-learn.org/stable/modules/generated/sklearn.decomposition.PCA.html ou la doc intégrée.
-Effectuer une PCA sur vos données avec 2 composantes.
+Effectuez une PCA sur vos données avec 2 composantes.
 
 %% Cell type:code id: tags:
 
 ``` python
 ```
 
 %% Cell type:markdown id: tags:
 
-Commentez la variance que vous avez pu expliquer.
+Commentez la variance que vous avez pu expliqué.
 
 %% Cell type:code id: tags:
 
 ``` python
 ```
 
 %% Cell type:markdown id: tags:
 
-Charger le jeu de données iris. Ce jeu de données est un dataset très connu, assez facile.
+Chargez le jeu de données iris. Ce jeu de données est un dataset très connu, assez facile.
 
 %% Cell type:code id: tags:
 
 ``` python
 ```
 
 %% Cell type:markdown id: tags:
 
-Effectuer une PCA. Quelle est la variance expliquée?
+Effectuez une PCA. Quelle est la variance expliquée?
 
 %% Cell type:code id: tags:
 
 ``` python
 ```
 
 %% Cell type:markdown id: tags:
 
-Finalement, tracer ce jeu de données dans $R^2$. Est-ce facile de retrouver des clusters?
+Finalement, tracez ce jeu de données dans $R^2$. Est-il facile de retrouver des clusters?
 
 %% Cell type:code id: tags:
 
 ``` python
 ```
 
 %% Cell type:markdown id: tags:
 
 # Si vous vous ennuyez
-Si vous avez le temps, essayez de lancer un k-means sur les iris. Ensuite, effectuez une PCA, puis relancer des k-means.
+Si vous avez le temps, essayez de lancer un k-means sur les iris. Ensuite, effectuez une PCA, puis relancez des k-means.
 
 %% Cell type:code id: tags:
 
 ``` python
 ```
 
 %% Cell type:markdown id: tags:
 
 Est-ce que vos résultats sont différents ?
-Essayer de tracer vos résultats, en indiquant les clusters trouvés.
+Essayez de tracer vos résultats, en indiquant les clusters trouvés.
 
 %% Cell type:code id: tags:
 
 ``` python
 ```