MaxHalford

'''
Le principe de cet algorithme est de parcourir les utilisateurs en "chaînant"
leurs attributs. Chaque utilisateur est défini par un tuple de valeurs, par
exemple un utilisateur peut être défini par un tupe (email, téléphone).

L'algorithme parcourt les utilisateurs de façon récursive. On commence avec le
premier utilisateur. On regarde alors son premier attribut (l'email par
exemple, ca n'a pas d'importance). On va alors chercher tous les utilisateurs
qui possède le même attribut et va alors faire exactement pareil pour cet
utilisateur. A chaque que l'on étudie un utilisateur on peut le retirer de la

MaxHalford

import random


STATES = (0, 1, 2, 3, 4, 5)

ACTION_SET = {
    0: (0, 4),
    1: (1, 3, 5),
    2: (2, 3),
    3: (1, 2, 3, 4),

MaxHalford

package main

import "fmt"

// Sample k unique integers in range [min, max) by generating
// random numbers between min and max and then taking the first
// k numbers.
// The downside to this algorithm is a temporary
// list has to be kept in memory to store all the number from
// min to max.

MaxHalford

import nltk
from nltk.stem import WordNetLemmatizer
from sklearn.feature_extraction.text import CountVectorizer


def tokenize(text):
    text = ''.join([ch for ch in text if ch not in string.punctuation])
    tokens = nltk.word_tokenize(text)
    lemmatizer = WordNetLemmatizer()
    return [lemmatizer.lemmatize(token) for token in tokens]

MaxHalford

def get_minibatch(stream, size):
    """A minibatch is a stream slice."""
    return [doc for doc in itertools.islice(stream, size)]


def iter_minibatches(stream, minibatch_size):
    """Generator of minibatches."""
    minibatch = self.get_minibatch(stream, minibatch_size)
    while len(minibatch):
        yield minibatch

MaxHalford

import numpy as np
from sklearn.base import BaseEstimator, ClassifierMixin
from sklearn.utils.multiclass import unique_labels
from sklearn.utils.validation import check_X_y


class TopTermsClassifier(BaseEstimator, ClassifierMixin):

    def __init__(self, n_terms=10):
        self.n_terms = n_terms

MaxHalford

import pandas as pd

# Choose the file to balance
csvFile = 'example'

# Clear the log
open('log', 'w').close()
# Open the csv file
df = pd.read_csv('data/{0}.csv'.format(csvFile))
# Obtain sum of amount paid

MaxHalford

import os

from keras import backend as K
from keras import callbacks
from keras import layers
from keras import models
from keras.wrappers.scikit_learn import KerasClassifier
import pandas as pd
import tensorflow as tf
from sklearn import metrics

MaxHalford

import dropbox


def to_dropbox(dataframe, path, token):

    dbx = dropbox.Dropbox(token)

    df_string = dataframe.to_csv(index=False)
    db_bytes = bytes(df_string, 'utf8')
    dbx.files_upload(

MaxHalford

sudo -i
groupadd mhalford
useradd -g mhalford -G sudo -s /bin/bash -m -d /home/mhalford mhalford
cd /home/mhalford
mkdir .ssh
echo COPY_PASTE_PUBLIC_KEY_HERE >> .ssh/authorized_keys
cd ..
chown -R mhalford:mhalford mhalford