أرغب في تلقي مثل هذه الرسالة قبل ثلاث سنوات عندما بدأت للتو في دراسة علوم البيانات (DS). أن هناك روابط ضرورية لمواد مفيدة. لا يزعم المقال تغطية المجال الهائل لـ DS. ومع ذلك ، بالنسبة للمتخصص المبتدئ سيكون من المفيد.
التقنيات التالية هي الأكثر استخدامًا في DS:
أيضًا ، بمرور الوقت ، ستحتاج إلى العديد من المكتبات والأدوات الإضافية المختلفة لمعالجة الصور والبيانات. هناك العشرات منهم. الأكثر فائدة بالنسبة لي ( معالجة الصور ) بترتيب تنازلي مهم:
- بيئة افتراضية - بيئة تطوير افتراضية للعديد من المشاريع ، والتي تحتوي على إصدارات مختلفة من المكتبات والأدوات.
- NumPy - العمل مع المصفوفات ، الجبر الخطي.
- OpenCV - العديد من الخوارزميات المختلفة للعمل مع الصور.
- Jupyter Notebook هو تطبيق ويب لتطوير وتشغيل برامج Python في مستعرض وفي السحابة.
- Tensorflow-gpu - تكوين الشبكات العصبية والحسابات على بطاقات الرسومات.
- iPython هو وحدة تحكم أكثر ملاءمة مع أوامر Python ، أنصحك باستخدامها بدلاً من وحدة التحكم الافتراضية.
- Matplotlib - رسم الرسوم البيانية والخرائط.
- وسادة - العمل مع جميع صيغ الصور الشعبية.
- الباندا - العمل مع البيانات.
- SciPy - العمل المتقدم مع الخوارزميات ، وهو بديل مجاني لبرنامج MatLab.
- Scikit للتعلم - خوارزميات التعلم الآلي.
- Scikit صورة - معالجة الصور المتقدمة.
- K3D - العمل مع الرسوم البيانية ثلاثية الأبعاد والصور في Jupyter Notebook.
التعلم الآلي (التعلم الآلي ML) والتعلم العميق (التعلم العميق) مستحيلان بدون بيانات. يمكن البحث في قواعد البيانات الضرورية (مجموعات البيانات ، مجموعات البيانات) من خلال خدمة بحث Google Dataset Search أو بين 25 ألف مجموعة بيانات Kaggle .
ما لدي:
شكرا لاهتمامكم!