Галерея лучших блокнотов по ML и Data Science
Привет, читатель.
Представляю пост который идёт строго (!) в закладки и передаётся коллегам. Он с подборкой примечательных файлов формата Jupyter Notebook по Machine Learning, Data Science и другим сферам, связанным с анализом данных. Эти блокноты Jupyter, будут наиболее полезны специалистам по анализу данных — как обучающимся новичкам, так и практикующим профи.
Итак, приступим.
Вводные курсы в Jupyter Notebook
Статистика, машинное обучение и наука о данных
- Блокнот по введению в количественную оценку неопределенности и анализ чувствительности [3]
- Сопроводительные материалы книги Джейка Вандерпласа Python Data Science Handbook [4]
- Введение в статистику с Python [5]
- Блокноты по упражнениям онлайн-курса Эндрю Ына по ML, Spark и TensorFlow [6]
- Методы Монте Карло, стохастическая оптимизация [7]
- Введение в байесовский вывод [8]
- Байесовский анализ данных [9]
- Самоучитель по Data Science [10]
- Поваренная книга IPython [11]
- Введение в машинное обучение с Python и scikit-learn [12]
- Растущая подборка блокнотов по курсу машинного обучения Университета Турина [13]
- Кластеризация и регрессия [14]
- Нейронные сети [15]
- Введение в Pandas [16]
- Data Science и Big Data с Python [17]
- У проекта Statsmodels [18] есть две подборки блокнотов: в официальной документации [19] и в вики [20]
- Python для анализа данных [21]
- Статистика и анализ данных для психологов [22]
- Решение задания курса по анализу данных CS 109 [23]
- Книга «Введение в статистическое обучение с приложениями на языке R» имеет две [24] подборки [25]блокнотов с примерами на Python
- Блокноты упражнений по курсу StatLearning [26]
- Прикладное предсказательное моделирование с помощью Python [27]
- Большая подборка по четырем курсам, посвященным Data Science, алгоритмам и базам данных Университета Колумбии [28]
- SciPy и OpenCV как интерактивная вычислительная среда для компьютерного зрения [29]
- Фильтры Калмана и Байеса на Python [30]
- Adaboost для задачи классификации цифр [31]
- Подборка по практическому использованию машинного обучения и анализа данных [32]
- Глубокое обучение с Apache SINGA [33]
- Подборка блокнотов по ML и Data Science [34]
- ETL с Python, работа с MySQL и csv файлами [35]
Анализ данных со стеком SciPy
- Введение в машинное обучение с sklearn [36]
- Интерактивный фитинг кривых с пакетом lmfit [37]
- Введение в машинное обучение с Python и scikit-learn [38]
- Распознавание лиц (датасет Wild) [39]
- Введение в байесовские методы многоуровневого моделирования [40]
- Введение в байесовские сети [41]
- Байесовский анализ данных с помощью PyMC3 [42]
- Набор примеров для решения шаблонных задач классификаций [43]
- Вероятность, парадокс и принцип разумности [44]
- Определение вероятности отзыва 5 звезд [45]
- Модель геодемографической сегментации [46]
Визуализация данных и построение графиков в Jupyter Notebook
- Общие проблемы при визуализации больших наборов данных и как их избежать [47]
- Визуализация данных переписи США с использованием datashader [48]
- Интеграция данных и визуализации c помощью веб-ресурсов [49]
- 21 интерактивный график [50]
- Визуализация комплекснозначных функций с Matplotlib и Mayavi [51]
- Пример использования библиотеки bqplot [52]
- D3 Viewer для визуализации Matplotlib [53]
- Bokeh – интерактивная библиотека для веб-визуализации c Python [54]
- Визуализация с помощью HoloViews [55]
- Победитель конкурса E. Tufte Slope Graphs [56]
- matta – d3.js-визуализация в IPython Notebook [57]
- Отображение Pandas в интерактивной карте распределения значений [58]
Обработка естественного языка
- Программирование на Python для гуманитариев [59]
- Мультиноминальный наивный байесовский классификатор новостей [60]
- Использование рандомной кросс-валидации для категоризации новостей [61]
Pandas для анализа данных в Jupyter Notebook
- 10-минутный тур по Pandas [62]
- Анализ временных последовательностей с Pandas [63]
- Анализ финансовых данных с Pandas [64]
- Кластеризация данных с датчиков смартфона для анализа данных о физической активности с pandas и scipy [65]
- Анализ и визуализация вспышек на Солнце [66]
- Продвинутый анализ логов Apache [67]
- Статистический анализ данных в Python [68]
- Глубокое погружение в Pandas от .head() до .tail() [69]
Если у вас есть, чем вы можете поделиться — пишите в комментариях. Больше информации о машинном обучении и Data Science в телеграм-канале Нейрон [70] (@neurondata).
Всем знаний!
Автор: Rushan
Источник [71]
Сайт-источник PVSM.RU: https://www.pvsm.ru
Путь до страницы источника: https://www.pvsm.ru/python/324217
Ссылки в тексте:
[1] Учебник по Python: https://github.com/rossant/ipython-minibook
[2] Пособие по Matplotlib: http://nbviewer.jupyter.org/github/jrjohansson/scientific-python-lectures/blob/master/Lecture-4-Matplotlib.ipynb
[3] Блокнот по введению в количественную оценку неопределенности и анализ чувствительности: http://nbviewer.jupyter.org/github/lrhgit/uqsa_tutorials/blob/master/index.ipynb
[4] Сопроводительные материалы книги Джейка Вандерпласа Python Data Science Handbook: https://github.com/jakevdp/PythonDataScienceHandbook
[5] Введение в статистику с Python: https://github.com/thomas-haslwanter/statsintro_python
[6] Блокноты по упражнениям онлайн-курса Эндрю Ына по ML, Spark и TensorFlow: https://github.com/jdwittenauer/ipython-notebooks
[7] Методы Монте Карло, стохастическая оптимизация: http://am207.github.io/2016/
[8] Введение в байесовский вывод: http://nbviewer.jupyter.org/github/CamDavidsonPilon/Probabilistic-Programming-and-Bayesian-Methods-for-Hackers/blob/master/Chapter1_Introduction/Ch1_Introduction_PyMC3.ipynb
[9] Байесовский анализ данных: https://github.com/JWarmenhoven/DBDA-python
[10] Самоучитель по Data Science: http://learnds.com/
[11] Поваренная книга IPython: http://ipython-books.github.io/cookbook/
[12] Введение в машинное обучение с Python и scikit-learn: http://nbviewer.ipython.org/github/temporaer/tutorial_ml_gkbionics/blob/master/2%20-%20KMeans.ipynb
[13] Растущая подборка блокнотов по курсу машинного обучения Университета Турина: https://github.com/rugantio/MachineLearningCourse
[14] Кластеризация и регрессия: http://nbviewer.ipython.org/github/amplab/datascience-sp14/blob/master/hw2/HW2.ipynb
[15] Нейронные сети: http://nbviewer.ipython.org/github/masinoa/machine_learning/blob/master/04_Neural_Networks.ipynb
[16] Введение в Pandas: http://nbviewer.ipython.org/urls/bitbucket.org/hrojas/learn-pandas/raw/master/lessons/01%20-%20Lesson.ipynb
[17] Data Science и Big Data с Python: https://github.com/phelps-sg/python-bigdata/blob/master/README.md
[18] Statsmodels: http://statsmodels.sourceforge.net/
[19] официальной документации: http://statsmodels.sourceforge.net/devel/examples/index.html
[20] вики: https://github.com/statsmodels/statsmodels/wiki/Examples#user-contributed-examples
[21] Python для анализа данных: https://github.com/ResearchComputing/Meetup-Fall-2013
[22] Статистика и анализ данных для психологов: https://github.com/mwaskom/Psych216
[23] Решение задания курса по анализу данных CS 109: http://nbviewer.ipython.org/github/cs109/content/blob/master/HW2.ipynb
[24] две: https://github.com/JWarmenhoven/ISLR-python
[25] подборки: https://github.com/mscaudill/IntroStatLearn
[26] Блокноты упражнений по курсу StatLearning: https://github.com/sujitpal/statlearning-notebooks
[27] Прикладное предсказательное моделирование с помощью Python: http://nbviewer.ipython.org/github/leig/Applied-Predictive-Modeling-with-Python/tree/master/notebooks/
[28] Большая подборка по четырем курсам, посвященным Data Science, алгоритмам и базам данных Университета Колумбии: http://nbviewer.ipython.org/github/ledeprogram/courses/tree/master
[29] SciPy и OpenCV как интерактивная вычислительная среда для компьютерного зрения: http://nbviewer.ipython.org/github/thsant/scipy4cv
[30] Фильтры Калмана и Байеса на Python: http://nbviewer.ipython.org/github/rlabbe/Kalman-and-Bayesian-Filters-in-Python/blob/master/table_of_contents.ipynb
[31] Adaboost для задачи классификации цифр: https://nbviewer.jupyter.org/github/riddhishb/ipython-notebooks/blob/master/Adaboost/Adaboost_Final%20note.ipynb
[32] Подборка по практическому использованию машинного обучения и анализа данных: http://nbviewer.jupyter.org/github/rhiever/Data-Analysis-and-Machine-Learning-Projects/tree/master/
[33] Глубокое обучение с Apache SINGA: http://nbviewer.jupyter.org/github/apache/incubator-singa/blob/master/doc/en/docs/notebook/index.ipynb
[34] Подборка блокнотов по ML и Data Science: https://github.com/donnemartin/data-science-ipython-notebooks/blob/master/README.md
[35] ETL с Python, работа с MySQL и csv файлами: https://github.com/dimgold/ETL_with_Python/blob/master/README.md
[36] Введение в машинное обучение с sklearn: http://amueller.github.com/sklearn_tutorial
[37] Интерактивный фитинг кривых с пакетом lmfit: http://nbviewer.ipython.org/gist/danielballan/1c2db3d4f2f7780cf52f
[38] Введение в машинное обучение с Python и scikit-learn: http://ipython-books.github.io/featured-04/
[39] Распознавание лиц (датасет Wild): http://nbviewer.ipython.org/github/ogrisel/notebooks/blob/master/Labeled%20Faces%20in%20the%20Wild%20recognition.ipynb
[40] Введение в байесовские методы многоуровневого моделирования: http://nbviewer.ipython.org/github/fonnesbeck/multilevel_modeling/blob/master/multilevel_modeling.ipynb
[41] Введение в байесовские сети: http://nbviewer.ipython.org/github/kuitang/hackny-bayesnet/blob/master/hackNY%20Bayesian%20Network%20Demo.ipynb
[42] Байесовский анализ данных с помощью PyMC3: http://nbviewer.ipython.org/github/twiecki/pymc3_talk/blob/master/bayesian_pymc3.ipynb
[43] Набор примеров для решения шаблонных задач классификаций: https://github.com/rasbt/pattern_classification
[44] Вероятность, парадокс и принцип разумности: http://nbviewer.ipython.org/url/norvig.com/ipython/Probability.ipynb
[45] Определение вероятности отзыва 5 звезд: http://nbviewer.jupyter.org/github/xun-tang/pyladies_jupyter_demo/blob/master/Predict_Review_Five_Star_Rating.ipynb
[46] Модель геодемографической сегментации: http://nbviewer.jupyter.org/github/filipacsr/DataScience/blob/master/GeodemographicSegmentationModel.ipynb
[47] Общие проблемы при визуализации больших наборов данных и как их избежать: https://anaconda.org/jbednar/plotting_pitfalls/notebook
[48] Визуализация данных переписи США с использованием datashader: https://anaconda.org/jbednar/census/notebook
[49] Интеграция данных и визуализации c помощью веб-ресурсов: http://tw.rpi.edu/media/2013/09/25/a48/The_Perfect_Storm_1991.html
[50] 21 интерактивный график: http://nbviewer.ipython.org/gist/msund/7ac1203ded66fe8134cc
[51] Визуализация комплекснозначных функций с Matplotlib и Mayavi: http://nbviewer.ipython.org/github/empet/Math/blob/master/DomainColoring.ipynb
[52] Пример использования библиотеки bqplot: https://github.com/bloomberg/bqplot/blob/master/examples/Applications/Wealth%20of%20Nations.ipynb
[53] D3 Viewer для визуализации Matplotlib: http://jakevdp.github.io/blog/2013/12/19/a-d3-viewer-for-matplotlib/
[54] Bokeh – интерактивная библиотека для веб-визуализации c Python: http://nbviewer.jupyter.org/github/bokeh/bokeh-notebooks/blob/master/quickstart/quickstart.ipynb
[55] Визуализация с помощью HoloViews: http://holoviews.org/Tutorials/Showcase.html
[56] Победитель конкурса E. Tufte Slope Graphs: http://nbviewer.ipython.org/gist/pascal-schetelat/8382651
[57] matta – d3.js-визуализация в IPython Notebook: http://nbviewer.ipython.org/github/carnby/matta/blob/master/examples/Basic%20Examples.ipynb
[58] Отображение Pandas в интерактивной карте распределения значений: http://nbviewer.jupyter.org/github/MaayanLab/clustergrammer-widget/blob/master/Running_clustergrammer_widget.ipynb
[59] Программирование на Python для гуманитариев: http://fbkarsdorp.github.io/python-course/
[60] Мультиноминальный наивный байесовский классификатор новостей: http://nbviewer.jupyter.org/github/andressotov/News-Categorization-MNB/blob/master/News_Categorization_MNB%2010-oct-2017.ipynb
[61] Использование рандомной кросс-валидации для категоризации новостей: http://nbviewer.jupyter.org/github/andressotov/rnd_cross_valid/blob/master/Using%20random%20cross-validation%20for%20news%20categorization.ipynb
[62] 10-минутный тур по Pandas: http://nbviewer.ipython.org/gist/wesm/4757075/PandasTour.ipynb
[63] Анализ временных последовательностей с Pandas: http://nbviewer.ipython.org/github/changhiskhan/talks/blob/master/pydata2012/pandas_timeseries.ipynb
[64] Анализ финансовых данных с Pandas: http://nbviewer.ipython.org/gist/3962843
[65] Кластеризация данных с датчиков смартфона для анализа данных о физической активности с pandas и scipy: http://nbviewer.ipython.org/github/herrfz/dataanalysis/blob/master/week4/clustering_example.ipynb
[66] Анализ и визуализация вспышек на Солнце: http://nbviewer.ipython.org/gist/4569783
[67] Продвинутый анализ логов Apache: http://nbviewer.ipython.org/github/koldunovn/nk_public_notebooks/blob/master/Apache_log.ipynb
[68] Статистический анализ данных в Python: https://github.com/fonnesbeck/statistical-analysis-python-tutorial
[69] Глубокое погружение в Pandas от .head() до .tail(): https://github.com/TomAugspurger/PyDataSeattle
[70] Нейрон: https://t.me/neurondata
[71] Источник: https://habr.com/ru/post/460321/?utm_source=habrahabr&utm_medium=rss&utm_campaign=460321
Нажмите здесь для печати.