From 074d310e1bedc1a38d08c885b99875be5e00fa6f Mon Sep 17 00:00:00 2001
From: Aude Chantel <aude.chantel@etu.utc.fr>
Date: Tue, 22 Jan 2019 09:57:59 +0100
Subject: [PATCH] Corrections orthographiques tp_clustering.ipynb

---
 TP/TP2_mardi/tp_clustering.ipynb | 30 +++++++++++++++---------------
 1 file changed, 15 insertions(+), 15 deletions(-)

diff --git a/TP/TP2_mardi/tp_clustering.ipynb b/TP/TP2_mardi/tp_clustering.ipynb
index 3f83078..85fc615 100644
--- a/TP/TP2_mardi/tp_clustering.ipynb
+++ b/TP/TP2_mardi/tp_clustering.ipynb
@@ -12,7 +12,7 @@
    "metadata": {},
    "source": [
     "Aujourd'hui, on utilisera les données proposées par scikit learn. Ces données sont déjà nettoyées, déjà prêtes dans la libraries. \n",
-    "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"
    ]
   },
   {
@@ -26,8 +26,8 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "Maintenant, on va utiliser les fonctions suivantes de la libraire dataset : datasets.make_circles, datasets.make_moons, datasets.make_blobs, datasets.make_blobs.\n",
-    "Consulter la documentation intégrées de ces méthodes.\n",
+    "Maintenant, on va utiliser les fonctions suivantes de la librairie `dataset` : `datasets.make_circles`, `datasets.make_moons`, `datasets.make_blobs`, `datasets.make_blobs`.\n",
+    "Consultez la documentation intégrée de ces méthodes.\n",
     "Vous pouvez trouver des exemples d'utilisation de ces méthodes sur https://scikit-learn.org/stable/auto_examples/cluster/plot_cluster_comparison.html "
    ]
   },
@@ -78,14 +78,14 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "Pour entrainer nos alogrithmes, on va splitter notre jeu de données en 3 sous jeu de données: \n",
+    "Pour entrainer nos alogrithmes, on va splitter notre jeu de données en 3 sous-jeux de données: \n",
     "- train\n",
     "- validation\n",
     "- test\n",
     "\n",
     "Pourquoi est-ce nécessaire?\n",
     "\n",
-    "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, "
    ]
   },
   {
@@ -100,7 +100,7 @@
    "metadata": {},
    "source": [
     "# K-means\n",
-    "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."
    ]
   },
   {
@@ -114,7 +114,7 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "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. "
    ]
   },
   {
@@ -128,7 +128,7 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "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?"
    ]
   },
   {
@@ -144,7 +144,7 @@
    "source": [
     "# ACP / PCA / Principal Components Analysis\n",
     "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.\n",
-    "Effectuer une PCA sur vos données avec 2 composantes. "
+    "Effectuez une PCA sur vos données avec 2 composantes. "
    ]
   },
   {
@@ -158,7 +158,7 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "Commentez la variance que vous avez pu expliquer. "
+    "Commentez la variance que vous avez pu expliqué. "
    ]
   },
   {
@@ -172,7 +172,7 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "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. "
    ]
   },
   {
@@ -186,7 +186,7 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "Effectuer une PCA. Quelle est la variance expliquée?"
+    "Effectuez une PCA. Quelle est la variance expliquée?"
    ]
   },
   {
@@ -200,7 +200,7 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "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?"
    ]
   },
   {
@@ -215,7 +215,7 @@
    "metadata": {},
    "source": [
     "# Si vous vous ennuyez\n",
-    "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."
    ]
   },
   {
@@ -230,7 +230,7 @@
    "metadata": {},
    "source": [
     "Est-ce que vos résultats sont différents ? \n",
-    "Essayer de tracer vos résultats, en indiquant les clusters trouvés."
+    "Essayez de tracer vos résultats, en indiquant les clusters trouvés."
    ]
   },
   {
-- 
2.22.0