( c )

Github ist nicht nur eine Plattform für das Hosting und die gemeinsame Entwicklung von IT-Projekten, sondern auch eine riesige Wissensbasis, die von Hunderten von Experten zusammengestellt wurde. Glücklicherweise bietet der Service nicht nur Tools für die Arbeit mit Open Source Code, sondern auch hochwertige Schulungsmaterialien. Wir haben einige beliebte Repositories ausgewählt und sie nach der Anzahl der Sterne in absteigender Reihenfolge sortiert.

Mithilfe dieser Sammlung können Sie herausfinden, auf welche Repositorys Sie achten sollten, wenn Sie an der Arbeit mit Daten und an eingehenden Schulungen interessiert sind.

Datenwissenschaft

Die Open Source Data Science Masters
Sterne: 11.227, Gabeln: 4.737

Das offizielle Repository des Data Science Masters- Lehrplans, das als Open-Source-Alternative zur formalen Bildung im Bereich Data Science entwickelt wurde. Das Repository ist eine Sammlung von Schulungsmaterialien, die über mehrere Jahre gesammelt wurden.

Fantastische Datenwissenschaft
Sterne: 9.240, Gabeln: 2.761

Leistungsstarke Sammlung, die die Fragen beantwortet: „Was ist Data Science?“ und "was müssen Sie wissen, um sich in dieser Wissenschaft gut auskennen zu können?". Bequem in Kategorien unterteilt. Zum Beispiel gibt es eine Liste von Büchern über Data Science, eine Auswahl von Infografiken und sogar thematische Gruppen auf Facebook .

Jupyter Interactive Notebook
Sterne: 5.242, Gabeln: 2.331

Der Vorläufer dieses Repositorys ist eine Plattform für die Arbeit mit Skripten in 40 Programmiersprachen Data Science iPython Notebooks mit mehr als 14.000 Sternen und 4.000 Gabeln. Spezialisten für Datenverarbeitung und maschinelles Lernen haben es aktiv für das wissenschaftliche Rechnen genutzt.

Heutzutage ist Jupyter Notebook ein praktischer Satz von Notebook-Dateien, die aus Absätzen bestehen, in denen Anforderungen geschrieben und ausgeführt werden. Mithilfe integrierter Visualisierer wird ein Notizblock mit einer Reihe von Abfragen zu einem vollwertigen Daten-Dashboard.

Data Science-Blogs
Sterne: 4 510, Gabeln: 1 178

Eine einfache, aber umfangreiche Liste von Schulungsmaterialien, alphabetisch sortiert. Hier finden Sie alle beliebten Blogs sowie viele kleine Websites mit nützlichen Informationen (insgesamt sind 251 Ressourcen aufgelistet).

Spezialisierung auf Datenwissenschaft
Sterne: 3 114, Gabeln: 27 184

Das Data Science Education Repository der Johns Hopkins University ist ein sehr beliebter Kurs von Roger Pen, Jeff Lick und Brian Caffo. Genauer gesagt umfasst das Schulungsprogramm in der Spezialität „Data Science“ bei Coursera mehrere miteinander verbundene Kurse zu verschiedenen Themen (z. B. R-Programmierung), die sich auf verschiedene Aspekte der Datenanalyse beziehen, und das in der Sammlung präsentierte Repository kombiniert die in allen Kursen verwendeten Informationen.

Spark-Notebook
Sterne: 2 677, Gabeln: 587

Spark Notebook ist ein Open-Source-Notizblock, der einen interaktiven Web-Editor bietet, der Scala-Code, SQL-Abfragen, Markup und JavaScript kombinieren kann, um Daten gemeinsam zu analysieren und zu untersuchen.

Lernen Sie Data Science
Sterne: 2 129, Gabeln: 1 210

Eine Sammlung von iPython-Notizbüchern, die sich auf grundlegende Konzepte des maschinellen Lernens für Anfänger konzentrieren.

Data Science an der Kommandozeile
Sterne: 2 057, Gabeln: 503

Das Repository enthält Texte, Daten, Skripte und Konsolenbenutzer-Tools, die in Data Science über die Befehlszeile verwendet werden . Diese Anleitung zeigt, wie Sie kleine, aber leistungsstarke Befehlszeilentools kombinieren, um Daten schnell abzurufen, zu bereinigen, zu recherchieren und zu modellieren.

Community-Site für Data Science-Spezialisierung
Sterne: 1 395, Gabeln: 2 661

Mehrere Studenten, die den Kurs an der Johns Hopkins University abgeschlossen haben, haben so hochwertige Inhalte erstellt, dass die Mitarbeiter der Universität sie geteilt haben, und einen Katalog mit allen interessanten Inhalten erstellt, die von der Community erstellt wurden.

Datenvisualisierung für das Web

D3
Sterne: 81 837, Gabeln: 20 282

D3 ist eine JavaScript-Datenvisualisierungsbibliothek für HTML und SVG. In D3 liegt der Schwerpunkt auf Webstandards, sodass Sie alle Funktionen moderner Browser nutzen können, ohne sich an eine proprietäre Struktur zu binden. Sie kombinieren leistungsstarke Visualisierungskomponenten, einen kontrollierten Ansatz und die Interaktion mit dem Document Object Model (DOM) . Dies ist das beliebteste Datenvisualisierungsprojekt auf GitHub.

Chart.js
Sterne: 41.393, Gabeln: 9.294

Chart.js ist eine HTML5-Bibliothek, die Visualisierungen über das <canvas> -Element erstellt. Chart.js positioniert sich als einfaches und flexibles interaktives Tool, das sechs verschiedene Diagrammtypen unterstützt.

Eharts
Sterne: 32 204, Gabeln: 9.369

ECharts ist eine browserbasierte Bibliothek zur grafischen Darstellung und Visualisierung. Einfach zu bedienen, intuitiv und einfach zu konfigurieren.

Faltblatt
Sterne: 23.810, Gabeln: 3.937

JavaScript-Bibliothek zum Erstellen interaktiver Karten für mobile Anwendungen. Der Bibliothekscode ist unglaublich klein - er ist für eine einfache, schnelle und bequeme Verwendung konzipiert. Die Funktionen der Broschüren können durch eine Reihe von Plugins erweitert werden.

Sigma.js
Sterne: 8.348, Gabeln: 1.305

Graphorientierte JS-Bibliothek. Mit Sigma können Sie Diagrammdarstellungen auf Webseiten entwickeln und in Webanwendungen integrieren.

Vega
Sterne: 6.559, Gabeln: 702

Vega ist eine deklarative Sprache zum Erstellen, Speichern und Freigeben interaktiver Visualisierungsprojekte. Mithilfe dieser Funktion können Sie das Erscheinungsbild und das interaktive Verhalten der Visualisierung im JSON-Format beschreiben sowie Webansichten mit Canvas oder SVG erstellen. Vega bietet die Grundbausteine ​​für eine Vielzahl von Visualisierungsprojekten: Laden und Konvertieren von Daten, Skalieren, Kartenprojektionen, Legenden, grafische Beschriftungen usw.

DC.js
Sterne: 6.458, Gabeln: 1.734

DC.js ist ein mehrdimensionales Diagramm, das auf D3.js für die Arbeit mit Kreuzfiltern basiert. DC.js wird im SVG-Format mit CSS kompatibel gerendert. Entwickelt für leistungsstarke Datenanalyse sowohl im Browser als auch auf Mobilgeräten.

Epoche
Sterne: 4.949, Gabeln: 290

Universelle Echtzeit-Visualisierungsbibliothek. Es konzentriert sich auf zwei verschiedene Aspekte: grundlegende Diagramme zum Erstellen historischer Berichte und Echtzeitdiagramme zum Anzeigen häufig aktualisierter Zeitreihendaten.

Tiefes Lernen

Keras
Sterne: 37.611, Gabeln: 14.344

Keras ist eine Python-Deep-Learning-Bibliothek, die sowohl von TensorFlow als auch von Theano verwendet wird (ja, Sie können sie über den Bibliotheken TensorFlow , Theano und CNTK ausführen ). Keras ist für schnelles Experimentieren konzipiert, da der Schlüssel zu guter Forschung die Fähigkeit ist, mit der geringsten Verzögerung von der Idee zum Ergebnis zu gelangen. Dank einer gründlichen und zugänglichen Dokumentation nimmt Keras zu Recht einen Platz in unserer Auswahl ein.

Caffe
Sterne: 26.892, Gabeln: 16.276

Caffe (Convolution Architecture For Feature Extraction) ist eine Deep-Learning-Bibliothek, die Python und MATLAB verbindet. Tatsächlich handelt es sich um eine Allzweckbibliothek, die für die Bereitstellung von Faltungsnetzwerken und für die Erkennung von Bildern, Sprache oder Multimedia entwickelt wurde.

Es gibt auch ein Caffe2-Projekt, das neue Funktionen enthält, insbesondere wiederkehrende neuronale Netze. Im Mai 2018 fusionierten die Teams Caffe2 und PyTorch. Der Caffe2-Code wurde in das PyTorch-Repository übertragen (Sterne: 24.075 , Gabeln: 5.707 ).

MXNet
Sterne: 16.157, Gabeln: 5.824

Leichte, kompakte, flexibel verteilte Deep-Learning-Umgebung für Python, R, Julia, Scala, Go, JavaScript usw. Für eine höhere Leistung können Sie mit MXNet imperative und symbolische Programmiermethoden mischen. Das Projekt enthält auch Richtlinien für die Erstellung anderer Deep-Learning-Systeme.

Data Science IPython-Notizbücher
Sterne: 14.747, Gabeln: 4.410

Die Sammlung von iPython-Notebooks, einschließlich Big Data, Hadoop, Scikit-Learn, Bibliotheken für wissenschaftliches Rechnen usw. Apropos Deep Learning: TensorFlow, Theano, Caffe und andere Tools werden behandelt.

Convnetjs
Sterne: 9.510, Gabeln: 1.982

ConvNetJS ist eine Implementierung neuronaler Netze und ihrer gemeinsamen JavaScript-Module. Das Projekt wird derzeit nicht unterstützt, verdient aber dennoch Aufmerksamkeit. Ermöglicht das Erlernen von Faltungsnetzwerken (oder regulären Netzwerken) direkt im Browser.

Deeplearning4j
Sterne: 10.227, Gabeln: 4.570

Deep Learning Library für Java und Scala. Integriert in Hadoop und Spark. Deeplearning4j ermöglicht auch CUDA-fähiges GPU-Computing. Darüber hinaus gibt es Tools für die Arbeit mit der Bibliothek in Python. Das Repository enthält alle erforderlichen Dokumentationen und Tutorials.

LISA Lab Deep Learning Tutorials
Sterne: 3.673, Gabeln: 2.045

Eine Sammlung von Lehrbüchern der Universität von Montreal. Das hier vorgestellte Material stellt einige der wichtigsten Deep-Learning-Algorithmen vor und demonstriert auch das Prinzip der Arbeit mit Theano. Theano ist eine Python-Bibliothek, die das Schreiben von Deep-Learning-Modellen vereinfacht und es ermöglicht, sie auf der GPU zu trainieren.

Mit dieser Liste ist die Anzahl der interessanten Dinge auf dem Github nicht begrenzt. Das nächste Mal werden wir über maschinelle Lernprojekte und offene Datensätze sprechen. Wenn Sie eigene Beispiele für interessante Repositories haben, teilen Sie diese in den Kommentaren mit.