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.

• Учебник по Python.
• Подборка блокнотов по командам IPython.
• Пособие по Matplotlib.

• 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.

• 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.

• 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.

• Программирование на Python для гуманитариев.
• Мультиноминальный наивный байесовский классификатор новостей.
• Использование рандомной кросс-валидации для категоризации новостей.

• 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!