Correction de coquille

fondamentaux/02-descente_gradient.py

@@ -35,7 +35,7 @@ fig.suptitle("Descente de gradient")
 donnees_ax = fig.add_subplot(141) # Observations : x1 et cibles : y
 model_ax = fig.add_subplot(142) # Modèle : theta0, theta1
 couts_ax = fig.add_subplot(143) # Coûts : RMSE, MSE, ... 
-app_ax = fig.add_subplot(144) # Taux d'appentissage : eta
+app_ax = fig.add_subplot(144) # Taux d'apprentissage : eta
 
 i_list=[] # Itération
 couts_2d=[]
@@ -144,9 +144,9 @@ couts_ax.set_xlabel(r'$i$')
 couts_ax.set_ylabel("Coûts")
 couts_ax.legend()
 
-# Plot du taux d'appentissage
+# Plot du taux d'apprentissage
-app_ax.set_title("Taux d'appentissage")
+app_ax.set_title("Taux d'apprentissage")
-app_ax.plot(i_list, eta_list, '.', ls=':', color='b', fillstyle='none', label="Taux d'appentissage", markevery=10)
+app_ax.plot(i_list, eta_list, '.', ls=':', color='b', fillstyle='none', label="Taux d'apprentissage", markevery=10)
 app_ax.set_xlabel(r'$i$')
 app_ax.set_ylabel(r'$\eta$', rotation=0)
 # app_ax.legend()

fondamentaux/03-descente_gradient_stochastique.py

@@ -43,7 +43,7 @@ fig.suptitle("Descente de gradient stochastique")
 donnees_ax = fig.add_subplot(141) # Observations : x1 et cibles : y
 model_ax = fig.add_subplot(142) # Modèle : theta0, theta1
 couts_ax = fig.add_subplot(143) # Coûts : RMSE, MSE, ... 
-app_ax = fig.add_subplot(144) # Taux d'appentissage : eta
+app_ax = fig.add_subplot(144) # Taux d'apprentissage : eta
 
 i_list=[] # Itération
 couts_2d=[]
@@ -90,7 +90,7 @@ def ech_app (t):
 def mse(theta):
     return np.sum((np.dot(X, theta) - y)**2)/m
 def rmse(theta):
-    return np..sqrt(np.sum((np.dot(X, theta) - y)**2)/m)
+    return np.sqrt(np.sum((np.dot(X, theta) - y)**2)/m)
     
 # Initialisation aléatoire
 theta= np.random.randn(2,1)
@@ -173,9 +173,9 @@ couts_ax.set_xlabel(r'$i$')
 couts_ax.set_ylabel("Coûts")
 couts_ax.legend()
 
-# Plot du taux d'appentissage
+# Plot du taux d'apprentissage
-app_ax.set_title("Taux d'appentissage")
+app_ax.set_title("Taux d'apprentissage")
-app_ax.plot(i_list, eta_list, '.', ls=':', color='b', fillstyle='none', label="Taux d'appentissage", markevery=10)
+app_ax.plot(i_list, eta_list, '.', ls=':', color='b', fillstyle='none', label="Taux d'apprentissage", markevery=10)
 app_ax.set_xlabel(r'$i$')
 app_ax.set_ylabel(r'$\eta$', rotation=0)
 # app_ax.legend()

fondamentaux/04-descente_gradient_mini-lots.py

@@ -35,7 +35,7 @@ fig.suptitle("Descente de gradient par mini-lots")
 donnees_ax = fig.add_subplot(141) # Observations : x1 et cibles : y
 model_ax = fig.add_subplot(142) # Modèle : theta0, theta1
 couts_ax = fig.add_subplot(143) # Coûts : RMSE, MSE, ... 
-app_ax = fig.add_subplot(144) # Taux d'appentissage : eta
+app_ax = fig.add_subplot(144) # Taux d'apprentissage : eta
 
 i_list=[] # Itération
 couts_2d=[]
@@ -182,9 +182,9 @@ couts_ax.set_xlabel(r'$i$')
 couts_ax.set_ylabel("Coûts")
 couts_ax.legend()
 
-# Plot du taux d'appentissage
+# Plot du taux d'apprentissage
-app_ax.set_title("Taux d'appentissage")
+app_ax.set_title("Taux d'apprentissage")
-app_ax.plot(i_list, eta_list, '.', ls=':', color='b', fillstyle='none', label="Taux d'appentissage", markevery=10)
+app_ax.plot(i_list, eta_list, '.', ls=':', color='b', fillstyle='none', label="Taux d'apprentissage", markevery=10)
 app_ax.set_xlabel(r'$i$')
 app_ax.set_ylabel(r'$\eta$', rotation=0)
 # app_ax.legend()

fondamentaux/05-regression_polynomiale.py

@@ -22,7 +22,7 @@ import matplotlib.pyplot as plt
 # Commandes NumPy :
 # - np.array : créer un tableau à partir d'une liste de listes
 # - np.linspace : créer un tableau 1D de la valeur de début à la valeur de fin avec n valeurs
-# - .reshape : reformater la tableau avec le nombre de lignes et le nombre de colonnes
+# - .reshape : réagencer le tableau avec le nombre de lignes et le nombre de colonnes
 ###
 
 ###
@@ -44,7 +44,7 @@ t_debut = time.time()
 fig = plt.figure(figsize=(15, 5))
 fig.suptitle("Régression polynomiale")
 donnees_ax = fig.add_subplot(121) # Observations : x1 et cibles : y
-app_ax = fig.add_subplot(122) # Courbe d'apprentissage
+app_ax = fig.add_subplot(122) # Courbes d'apprentissage
 
 ###############################################################################
 # Observations
@@ -145,7 +145,7 @@ donnees_ax.legend()
 donnees_ax.set(xlim=(-3, 3), ylim=(0, 10))
 
 # Plot des courbes d'apprentissage
-app_ax.set_title("Courbes d'appentissage")
+app_ax.set_title("Courbes d'apprentissage")
 
 app_ax.plot(np.sqrt(train_errors_1), 'g:', label="Entrainement - degré 1")
 app_ax.plot(np.sqrt(val_errors_1), 'g-', label="Validation - degré 1")