Galerie der besten ML- und Data Science-Notizbücher

Hallo Leser.

Ich präsentiere einen Beitrag, der streng (!) Zu Lesezeichen geht und an Kollegen weitergegeben wird. Es enthält eine Auswahl bemerkenswerter Dateien im Jupyter-Notizbuchformat zu maschinellem Lernen, Datenwissenschaft und anderen Bereichen im Zusammenhang mit der Datenanalyse. Diese Jupyter-Notizbücher sind für Datenanalysten am nützlichsten - sowohl für Anfänger als auch für Praktiker.



Also fangen wir an.

Einführungskurse in Jupyter Notebook

• Python-Tutorial
• IPython Notebook-Auswahl
• Matplotlib Tutorial

Statistik, maschinelles Lernen und Datenwissenschaft

• Notizbuch zur Einführung der Quantifizierung der Unsicherheits- und Sensitivitätsanalyse
• Jake Vanderplus Python Data Science Handbuch Begleitmaterialien
• Einführung in die Statistik mit Python
• Andrew Euns Online-Übungshefte für ML, Spark und TensorFlow
• Monte-Carlo-Methoden, stochastische Optimierung
• Einführung in die Bayes'sche Schlussfolgerung
• Bayesianische Datenanalyse
• Data Science Tutorial
• IPython-Kochbuch
• Einführung in das maschinelle Lernen mit Python und Scikit-Learn
• Eine wachsende Auswahl an Notizbüchern im Kurs für maschinelles Lernen der Universität Turin
• Clustering und Regression
• Neuronale Netze
• Einführung in Pandas
• Data Science und Big Data mit Python
• Das Statsmodels- Projekt verfügt über zwei Sammlungen von Notizbüchern: in der offiziellen Dokumentation und im Wiki
• Python zur Datenanalyse
• Statistik und Datenanalyse für Psychologen
• Die Entscheidung über die Aufgabe des Kurses zur Datenanalyse CS 109
• Das Buch "Einführung in das statistische Lernen mit R-Anwendungen" enthält zwei Sammlungen von Notizblöcken mit Beispielen in Python
• StatLearning-Übungshefte
• Python Applied Predictive Modeling
• Eine große Auswahl von vier Kursen zu Data Science, Algorithmen und Datenbanken der University of Columbia
• SciPy und OpenCV als interaktive Computerumgebung für Computer Vision
• Python Kalman- und Bayes-Filter
• Adaboost für die Aufgabe, Zahlen zu klassifizieren
• Praktischer Einsatz von maschinellem Lernen und Datenanalyse
• Deep Learning mit Apache SINGA
• Eine Auswahl von Notizbüchern in ML und Data Science
• ETL mit Python, arbeitet mit MySQL- und CSV-Dateien

Datenanalyse mit SciPy Stack

• Einführung in das maschinelle Lernen mit sklearn
• Interaktive Kurvenanpassung mit lmfit-Paket
• Einführung in das maschinelle Lernen mit Python und Scikit-Learn
• Gesichtserkennung (Wild-Datensatz)
• Einführung in Bayes'sche Mehrebenenmodellierungsmethoden
• Einführung in Bayesianische Netzwerke
• Bayesianische Datenanalyse mit PyMC3
• Eine Reihe von Beispielen zur Lösung von Problemen bei der Vorlagenklassifizierung
• Wahrscheinlichkeit, Paradoxon und Rationalitätsprinzip
• 5 Sterne Bewertungswahrscheinlichkeit
• Geodemografisches Segmentierungsmodell

Datenvisualisierung und grafische Darstellung in Jupyter Notebook

• Häufige Probleme bei der Visualisierung großer Datenmengen und deren Vermeidung
• US-Volkszählungsdatenvisualisierung mit Datashader
• Daten- und Visualisierungsintegration mithilfe von Webressourcen
• 21 interaktive Grafiken
• Visualisierung komplexer Funktionen mit Matplotlib und Mayavi
• Beispiel für eine Bqplot-Bibliothek
• D3 Viewer für die Matplotlib-Visualisierung
• Bokeh - eine interaktive Bibliothek zur Webvisualisierung mit Python
• Visualisierung mit HoloViews
• Gewinner des E. Tufte Slope Graphs-Wettbewerbs
• matta - d3.js Visualisierung in IPython Notebook
• Zeigen Sie Pandas in einer interaktiven Wertverteilungskarte an

Verarbeitung natürlicher Sprache

• Python-Programmierung für Geisteswissenschaften
• Multinomial Naive Bayes News Classifier
• Verwenden einer zufälligen Kreuzvalidierung zum Kategorisieren von Nachrichten

Pandas für die Datenanalyse in Jupyter Notebook

• 10-minütige Pandas-Tour
• Timeline-Analyse mit Pandas
• Analyse von Finanzdaten mit Pandas
• Clustering von Smartphone-Sensordaten zur Analyse von Daten zur körperlichen Aktivität mit Pandas und Scipy
• Analyse und Visualisierung von Sonneneruptionen
• Erweiterte Apache-Protokollanalyse
• Statistische Datenanalyse in Python
• Tauchen Sie tief in Pandas von .head () bis .tail () ein

Wenn Sie etwas zu teilen haben, schreiben Sie in die Kommentare. Weitere Informationen zu maschinellem Lernen und Data Science auf dem Telegrammkanal Neuron (@neurondata).

Alles Wissen!