Galerie des meilleurs carnets ML et Data Science

Bonjour lecteur.

Je présente un post qui va strictement (!) Aux signets et qui est transmis à mes collègues. Il propose une sélection de fichiers au format Jupyter Notebook remarquables sur l'apprentissage automatique, la science des données et d'autres domaines liés à l'analyse des données. Ces cahiers Jupyter seront très utiles aux analystes de données - étudiants débutants et praticiens.



Commençons donc.

Cours d'introduction à Jupyter Notebook

• Tutoriel Python
• Sélection de bloc-notes IPython
• Tutoriel Matplotlib

Statistiques, apprentissage automatique et science des données

• Cahier sur l'introduction de la quantification de l'incertitude et de l'analyse de sensibilité
• Jake Vanderplus Python Data Science Handbook Documents d'accompagnement
• Introduction aux statistiques avec Python
• Carnets d'exercices en ligne d'Andrew Eun pour ML, Spark et TensorFlow
• Méthodes de Monte Carlo, optimisation stochastique
• Introduction à la conclusion bayésienne
• Analyse des données bayésiennes
• Tutoriel de science des données
• Livre de recettes IPython
• Introduction à l'apprentissage automatique avec Python et scikit-learn
• Une sélection croissante de cahiers au cours d'apprentissage automatique de l'Université de Turin
• Regroupement et régression
• Réseaux de neurones
• Introduction aux pandas
• Science des données et Big Data avec Python
• Le projet Statsmodels a deux collections de cahiers: dans la documentation officielle et sur le wiki
• Python pour l'analyse des données
• Statistiques et analyse de données pour les psychologues
• La décision de la tâche du cours sur l'analyse des données CS 109
• Le livre "Introduction à l'apprentissage statistique avec des applications R" a deux collections de blocs - notes avec des exemples en Python
• Carnets d'exercices StatLearning
• Modélisation prédictive appliquée Python
• Une large sélection de quatre cours sur la science des données, les algorithmes et les bases de données de l'Université de Columbia
• SciPy et OpenCV comme environnement informatique interactif pour la vision par ordinateur
• Filtres Python Kalman et Bayes
• Adaboost pour la tâche de classification des numéros
• Utilisation pratique de l'apprentissage automatique et de l'analyse des données
• Apprendre en profondeur avec Apache SINGA
• Une sélection de carnets en ML et Data Science
• ETL avec Python, travaillant avec MySQL et les fichiers csv

Analyse des données avec SciPy Stack

• Introduction à l'apprentissage automatique avec sklearn
• Ajustement de courbe interactif avec package lmfit
• Introduction à l'apprentissage automatique avec Python et scikit-learn
• Reconnaissance faciale (jeu de données Wild)
• Introduction aux méthodes de modélisation à plusieurs niveaux bayésiennes
• Introduction aux réseaux bayésiens
• Analyse des données bayésiennes à l'aide de PyMC3
• Un ensemble d'exemples pour résoudre les problèmes de classification des modèles
• Probabilité, paradoxe et principe de rationalité
• Probabilité de classement 5 étoiles
• Modèle de segmentation géodémographique

Visualisation des données et représentation graphique dans Jupyter Notebook

• Problèmes courants lors de la visualisation de grands ensembles de données et comment les éviter
• Visualisation des données du recensement américain à l'aide du datahader
• Intégration de données et de visualisation à l'aide de ressources Web
• 21 graphiques interactifs
• Visualisation de fonctions complexes avec Matplotlib et Mayavi
• Exemple de bibliothèque Bqplot
• Visionneuse D3 pour la visualisation Matplotlib
• Bokeh - une bibliothèque interactive pour la visualisation Web avec Python
• Visualisation avec HoloViews
• Gagnant du concours E. Tufte Slope Graphs
• matta - visualisation d3.js dans IPython Notebook
• Afficher les pandas dans une carte de distribution de valeur interactive

Traitement du langage naturel

• Programmation Python pour les sciences humaines
• Classificateur multinomial Naive Bayes News
• Utiliser la validation croisée aléatoire pour catégoriser les actualités

Pandas pour l'analyse des données dans Jupyter Notebook

• Visite des Pandas de 10 minutes
• Analyse chronologique avec Pandas
• Analyse des données financières avec Pandas
• Regroupement des données des capteurs de smartphone pour analyser les données d'activité physique avec des pandas et des scipy
• Analyse et visualisation des éruptions solaires
• Analyse avancée des journaux Apache
• Analyse de données statistiques en Python
• Plongez au cœur des Pandas de .head () à .tail ()

Si vous avez quelque chose à partager, écrivez dans les commentaires. Plus d'informations sur l'apprentissage automatique et la science des données sur la chaîne de télégramme Neuron (@neurondata).

Toutes les connaissances!