TODO

   1 simulateur : complètement aléatoire ? from Irish dataset ?
   2 wavelets methods in statistics with R - p180
   3
   4 00-convertir2009 et 2010.R
   5 01-extractFeatures.R pour 2009 [utilise Stbr.R] (car on prédit 2010, pas besoin)
   6 02-cluster2009.R
   7 03-compute-sum-of-classes2009.R
   8 05-cluster2WER-2009.R
   9 06-prediction.R
  10
  11 Essayer distance wdist du package biwavelet ?
  12
  13 geometric structure of high dim data and dim reduction 2011
  14
  15 https://docs.docker.com/engine/getstarted/step_one/
  16
  17 A faire:
  18  - finir les experiences (sur nb de classes, nb de curves / chunk, nb de procs)
  19    et sur d'autres architectures
  20
  21 dans old_C_code/build :
  22 cmake ../stage1/src
  23 make
  24
  25 dans data/, lancer R puis :
  26 source("../old_C_code/wrapper.R")
  27 serialize("../old_C_code/build", "2009.csv","2009.bin",1)
  28 library(parallel)
  29 np = detectCores()
  30 nbSeriesPerChunk = 3000
  31 nbClusters = 20
  32 ppam_exe("../old_C_code/build",np,"2009.bin",nbSeriesPerChunk,nbClusters)
  33 C = getMedoids("../old_C_code/build", "ppamResult.xml", "ppamFinalSeries.bin")
  34 first100series = deserialize("../old_C_code/build", "2009.bin", "2009.csv.part", "1-100")
  35 distor = getDistor("../old_C_code/build", "ppamResult.xml", "2009.bin")
  36
  37 - interface matrice -> binaire
  38      OK
  39
  40  - courbe synchrone
  41      ??
  42
  43 Piste à explorer pour les comparaisons: H20
  44
  45 renvoyer nombre d'individues par classe ? (+ somme ?)
  46 hypothèse : données déjà ordonnées 48 1/2H sur 365j
  47 utiliser du mixmod avec modèles allongés
  48 doit toutner sur machine plutôt standard, utilisateur "lambda"
  49 utiliser Rcpp ?
  50
  51 =====
  52
  53 strategies for upscaling
  54 From 25K to 25M : in 1000 chunks of 25K
  55 Reference values :
  56  K0 = 200 super consumers (SC)
  57  K∗ = 15 nal clusters
  58 1st strategy
  59  Do 1000 times ONLY Energycon's 1st-step strategy on 25K clients
  60  With the 1000 × K0 SC perform a 2-step run leading to K∗ clusters
  61
  62 --> il faut lancer 1000(param: nbTasks?) tâches avec itérations (éventuelles)
  63 --> écrire tous les résultats, puis les récupérer pour démarrer :
  64 --> phase 2 sur 1000xK0 médoïdes
  65
  66 2nd strategy
  67  Do 1000 times Energycon's 2-step strategy on 25K clients leading to
  68  1000 × K∗ intermediate clusters
  69  Treat the intermediate clusters as individual curves and perform a
  70  single 2-step run to get K∗ final clusters
  71
  72 --> 1000(nbTasks) tâches avec itérations possibles, puis phase 2 en fin de chaqune des 1000
  73 tâches. On obtient 1000xK* médoïdes
  74 --> Phase 2 sur les 1000xK* médoïdes