Jupyter Notebook: галерея лучших блокнотов по ML и Data Science

Подборка примечательных файлов формата Jupyter Notebook по Machine Learning, Data Science и другим сферам, связанным с анализом данных.

Если вы увлекаетесь машинным обучением и Data Science, Jupyter Notebook – это один из самых удобных инструментов для совместной работы над проектами и изучения новых концепций. Ниже представлены блокноты Jupyter, которые будут наиболее полезны специалистам по анализу данных – как обучающимся новичкам, так и практикующим профи.

Вводные курсы в Jupyter Notebook

• Учебник по Python
• Подборка блокнотов по командам IPython
• Пособие по Matplotlib

Статистика, машинное обучение и наука о данных

• Блокнот по введению в количественную оценку неопределенности и анализ чувствительности
• Сопроводительные материалы книги Джейка Вандерпласа Python Data Science Handbook (можно использовать как интерактивную альтернативу чтению самой книги)
• Введение в статистику с Python
• Блокноты по упражнениям онлайн-курса Эндрю Ына по ML, Spark и TensorFlow
• Методы Монте Карло, стохастическая оптимизация
• Введение в байесовский вывод
• Байесовский анализ данных
• Самоучитель по Data Science
• Поваренная книга IPython
• Введение в машинное обучение с Python и scikit-learn
• Растущая подборка блокнотов по курсу машинного обучения Университета Турина (с упражнениями)
• Кластеризация и регрессия
• Нейронные сети
• Введение в Pandas
• Data Science и Big Data с Python
• У проекта Statsmodels есть две подборки блокнотов: в официальной документации и в вики
• Python для анализа данных
• Статистика и анализ данных для психологов
• Решение задания курса по анализу данных CS 109
• Книга «Введение в статистическое обучение с приложениями на языке R» имеет две подборки блокнотов с примерами на Python
• Блокноты упражнений по курсу StatLearning
• Прикладное предсказательное моделирование с помощью Python
• Большая подборка по четырем курсам, посвященным Data Science, алгоритмам и базам данных Университета Колумбии
• SciPy и OpenCV как интерактивная вычислительная среда для компьютерного зрения
• Фильтры Калмана и Байеса на Python
• Adaboost для задачи классификации цифр
• Подборка по практическому использованию машинного обучения и анализа данных
• Глубокое обучение с Apache SINGA
• Подборка блокнотов по ML и Data Science
• ETL с Python, работа с MySQL и csv файлами

Анализ данных со стеком SciPy

• Введение в машинное обучение с sklearn
• Интерактивный фитинг кривых с пакетом lmfit
• Введение в машинное обучение с Python и scikit-learn
• Распознавание лиц (датасет Wild)
• Введение в байесовские методы многоуровневого моделирования
• Введение в байесовские сети
• Байесовский анализ данных с помощью PyMC3
• Набор примеров для решения шаблонных задач классификаций
• Вероятность, парадокс и принцип разумности
• Определение вероятности отзыва 5 звезд
• Модель геодемографической сегментации

Визуализация данных и построение графиков в Jupyter Notebook

• Общие проблемы при визуализации больших наборов данных и как их избежать
• Визуализация данных переписи США с использованием datashader
• Интеграция данных и визуализации c помощью веб-ресурсов
• 21 интерактивный график
• Визуализация комплекснозначных функций с Matplotlib и Mayavi
• Пример использования библиотеки bqplot
• D3 Viewer для визуализации Matplotlib
• Bokeh – интерактивная библиотека для веб-визуализации c Python
• Визуализация с помощью HoloViews
• Победитель конкурса E. Tufte Slope Graphs
• matta – d3.js-визуализация в IPython Notebook
• Отображение Pandas в интерактивной карте распределения значений

Обработка естественного языка

• Программирование на Python для гуманитариев
• Мультиноминальный наивный байесовский классификатор новостей
• Использование рандомной кросс-валидации для категоризации новостей

Pandas для анализа данных в Jupyter Notebook

• 10-минутный тур по Pandas
• Анализ временных последовательностей с Pandas
• Анализ финансовых данных с Pandas
• Кластеризация данных с датчиков смартфона для анализа данных о физической активности с pandas и scipy
• Анализ и визуализация вспышек на Солнце
• Продвинутый анализ логов Apache
• Статистический анализ данных в Python
• Глубокое погружение в Pandas от .head() до .tail()

Заключение

Заметим, что Jupyter Notebook применяется далеко не только для задач, связанных с машинным обучением и анализом данных, но также и в математике, физике, химии, биологии, геологии, обработке сигналов, работе с социологическими данными, в психологии и нейрологии. Кроме питонистов, технологию Jupyter Notebook все чаще осваивают разработчики на Julia, Haskell и Ruby.

Источник (включает подборки по другим областям знаний)

Источник: proglib.io

Комментарии: