Галерея лучших блокнотов по ML и Data Science
Подборка примечательных файлов формата Jupyter Notebook по Machine Learning, Data Science и другим сферам, которые связаны с анализом данных.
Блокноты Jupyter будут наиболее полезны специалистам по анализу данных — как обучающимся новичкам, так и практикующим профи.
Итак, приступим.
Вводные курсы в Jupyter Notebook
Статистика, машинное обучение и наука о данных
- Блокнот по введению в количественную оценку неопределенности и анализ чувствительности.
- Сопроводительные материалы книги Джейка Вандерпласа "Python Data Science Handbook".
- Введение в статистику с Python.
- Блокноты по упражнениям онлайн-курса Эндрю Ына по ML, Spark и TensorFlow.
- Методы Монте Карло, стохастическая оптимизация.
- Введение в байесовский вывод.
- Байесовский анализ данных.
- Самоучитель по Data Science.
- Поваренная книга IPython.
- Введение в машинное обучение с Python и scikit-learn.
- Растущая подборка блокнотов по курсу машинного обучения Университета Турина.
- Кластеризация и регрессия.
- Нейронные сети.
- Введение в Pandas.
- Data Science и Big Data с Python.
- У проекта Statsmodels есть две подборки блокнотов: в официальной документации и в вики.
- Python для анализа данных.
- Статистика и анализ данных для психологов.
- Решение задания курса по анализу данных CS 109.
- Книга «Введение в статистическое обучение с приложениями на языке R» имеет две подборки блокнотов с примерами на Python
- Блокноты упражнений по курсу StatLearning.
- Прикладное предсказательное моделирование с помощью Python.
- Большая подборка по четырем курсам, посвященным Data Science, алгоритмам и базам данных Университета Колумбии.
- SciPy и OpenCV как интерактивная вычислительная среда для компьютерного зрения.
- Фильтры Калмана и Байеса на Python.
- Adaboost для задачи классификации цифр.
- Подборка по практическому использованию машинного обучения и анализа данных.
- Глубокое обучение с Apache SINGA.
- Подборка блокнотов по ML и Data Science.
- ETL с Python, работа с MySQL и csv-файлами.
Анализ данных со стеком SciPy
- Введение в машинное обучение с sklearn.
- Интерактивный фитинг кривых с пакетом lmfit.
- Введение в машинное обучение с Python и scikit-learn.
- Распознавание лиц (датасет Wild).
- Введение в байесовские методы многоуровневого моделирования.
- Введение в байесовские сети.
- Байесовский анализ данных с помощью PyMC3.
- Набор примеров для решения шаблонных задач классификаций.
- Вероятность, парадокс и принцип разумности.
- Определение вероятности отзыва пяти звезд.
- Модель геодемографической сегментации.
Визуализация данных и построение графиков в Jupyter Notebook
- Общие проблемы при визуализации больших наборов данных и как их избежать.
- Визуализация данных переписи США с использованием datashader.
- Интеграция данных и визуализации c помощью веб-ресурсов.
- 21 интерактивный график.
- Визуализация комплекснозначных функций с Matplotlib и Mayavi.
- Пример использования библиотеки bqplot.
- D3 Viewer для визуализации Matplotlib.
- Bokeh — интерактивная библиотека для веб-визуализации c Python.
- Визуализация с помощью HoloViews.
- Победитель конкурса E. Tufte Slope Graphs.
- Matta — d3.js-визуализация в IPython Notebook.
- Отображение Pandas в интерактивной карте распределения значений.
Обработка естественного языка
Pandas для анализа данных в Jupyter Notebook
- Десятиминутный тур по Pandas.
- Анализ временных последовательностей с Pandas.
- Анализ финансовых данных с Pandas.
- Кластеризация данных с датчиков смартфона для анализа данных о физической активности с pandas и scipy.
- Анализ и визуализация вспышек на Солнце.
- Продвинутый анализ логов Apache.
- Статистический анализ данных в Python.
- Глубокое погружение в Pandas от .head() до .tail().
Если есть что-то, чем вы можете поделиться, — пишите в комментариях. Больше информации о машинном обучении и Data Science здесь.
Всем знаний!
ИМХО, на хабре лучше бы зашло...
https://habr.com/en/post/460321/
Очень нужна инфа. Сохраню себе
Спасибо за подборку
В списке не достает языка программирования R – для статистической обработки данных
Добавьте сами здесь в комментариях — будет полезно.