Fix a few typos in the new pipeline tutorial (#208)

close #209 

Co-authored-by: avouacr <avouacr@pm.me>
Co-authored-by: github-actions[bot] <github-actions[bot]@users.noreply.github.com>

content/course/NLP/04_word2vec.Rmd

@@ -10,7 +10,7 @@ jupyter:
     display_name: Python 3
     language: python
     name: python3
-title: "Prédiction d'auteurs littéraires à partir de différentes méthodes de vectorisation"
+title: "Méthodes de vectorisation : comptages et word embeddings"
 date: 2020-10-29T13:00:00Z
 draft: false
 weight: 40
@@ -24,13 +24,14 @@ tags:
 categories:
   - Tutoriel
 summary: |
-  La partie précédente nous a amené à explorer les structures latentes
-  d'un texte. Le modèle Word2Vec permet maintenant d'explorer le
-  word embedding (plongement de mots).
-  Word2Vec est une représentation d'un corpus sous forme vectorielle
-  permettant d'entraîner des réseaux de neurones pour
-  reconstruire le contexte linguistique des mots et ainsi pouvoir,
-  dans un contexte donné, déterminer un certain champ lexical.
+  Pour pouvoir utiliser des données textuelles dans des algorithmes
+  de machine learning, il faut les vectoriser, c'est à dire transformer
+  le texte en données numériques. Dans ce TP, nous allons comparer
+  différentes méthodes de vectorisation, à travers une tâche de prédiction :
+  peut-on prédire un auteur littéraire à partir d'extraits de ses textes ?
+  Parmi ces méthodes, on va notamment explorer le modèle Word2Vec, qui
+  permet d'exploiter les structures latentes d'un texte en construisant
+  des word embeddings (plongements de mots).
 ---
 
 ```{r setup, include=FALSE}
@@ -263,7 +264,6 @@ Refaisons un graphique que nous avons déjà produit précédemment pour voir
 la répartition de notre corpus entre auteurs:
 
 ```{python, results = "hide"}
-plt.style.use('dark_background')
 pd.Series(le.inverse_transform(y_train)).value_counts().plot(kind='bar')
 plt.savefig("repart.png", bbox_inches='tight')
 ```
@@ -305,7 +305,6 @@ def plot_top_words(initials, ax, n_words=20):
     top_words_counts = [word[1] for word in counts.most_common(n_words)]
     
     # Représentation sous forme de barplot
-    plt.style.use('dark_background')
     ax = sns.barplot(ax = ax, x=top_words, y=top_words_counts)
     ax.set_title(f'Most Common Words used by {initials_to_author[initials]}')
 ```
@@ -716,8 +715,7 @@ ce que ne permettent pas de capter les *embeddings*.
 
 ## Exercices
 
-- Prédictions sur le test set en utilisant les modèles entraînés
+- Nous avons entraîné différents modèles sur le set d'entraînement par validation croisée, mais nous n'avons toujours pas utilisé le set de test que nous avons mis de côté au début. Réaliser la prédiction sur les données de test, et vérifier si l'on obtient le même classement des méthodes de vectorisation.
 - Faire un *vrai* split train/test : faire l'entraînement avec des textes de certains auteurs, et faire la prédiction avec des textes d'auteurs différents. Cela permettrait de neutraliser la présence de noms de lieux, de personnages, etc.
 - Comparer avec d'autres algorithmes de classification qu'un SVM
 - (Avancé) : fine-tuner le modèle d'embeddings contextuels sur la tâche de classification
-

content/course/manipulation/04a_webscraping_TP.Rmd

@@ -179,6 +179,7 @@ Par conséquent, la meilleure manière d'avoir un programme fonctionnel est
 de comprendre la structure d'une page web et dissocier les éléments exportables
 à d'autres cas d'usages des requêtes *ad hoc*. 
 
+{{< tweet 1474353569780355074 >}}
 
 
 ```{python}

content/course/modelisation/6_pipeline.Rmd

@@ -218,7 +218,8 @@ en question sont très corrélées les unes entre elles :
 
 ```{python, results = "hide"}
 corr = mutations.loc[:, mutations.columns[mutations.columns.str.startswith('Surface Carrez')].tolist()].corr()
-sns.heatmap(corr, 
+fig, ax = plt.subplots(1)
+sns.heatmap(corr, ax=ax, 
             xticklabels=corr.columns.values,
             yticklabels=corr.columns.values, cmap='coolwarm', annot=True, fmt=".2f")
 plt.savefig('correlation_matrix_dvf.png', bbox_inches='tight')
@@ -459,7 +460,7 @@ fig.tight_layout()
 plt.savefig("varimportance.png")
 ```
 
-```{r}
+```{r, echo = FALSE}
 knitr::include_graphics("varimportance.png")
 ```
 
@@ -596,9 +597,19 @@ grid_search = GridSearchCV(pipe, param_grid=param_grid)
 grid_search.fit(X, Y)
 
 end_time = time.time()
+print("Elapsed time : {} seconds", int(end_time - start_time))
 ```
 
-```{python, results = "hide"}
+{{< rawhtml >}}
+
+```{python, echo = FALSE, results = "asis"}
+print(estimator_html_repr(grid_search))
+```
+
+{{< /rawhtml >}}
+
+
+```{python, echo=FALSE}
 print("Elapsed time : {} seconds", int(end_time - start_time))
 ```
 
@@ -634,11 +645,13 @@ perf_random_forest = pd.DataFrame(grid_search.cv_results_)
 Regardons les résultats moyens pour chaque valeur des hyperparamètres:
 
 ```{python, results = "hide"}
-g = sns.lineplot(data = perf_random_forest,
+fig, ax = plt.subplots(1)
+g = sns.lineplot(data = perf_random_forest, ax = ax,
              x = "param_randomforest__n_estimators",
              y = "mean_test_score",
              hue = "param_randomforest__max_depth")
 g.set(xlabel='Number of estimators', ylabel='Mean score on test sample')
+g
 plt.legend(bbox_to_anchor=(1.05, 1), loc='upper left', borderaxespad=0,
            title='Depth of trees')
 plt.savefig("perfCV.png")
@@ -686,7 +699,7 @@ g.set(ylim=(0, 2e6), xlim=(0, 2e6),
       xlabel='Observed values',
       ylabel='Predicted values')
 g.ax.axline(xy1=(0, 0), slope=1, color="red", dashes=(5, 2))
-
+g
 plt.savefig("predCV.png")
 ```