Вы используете мобильную версию

перейти на Полную версию сайта

Доступно

Инструментарий Data Science & Data Mining с помощью Python (Юрий Кашницкий, Александр Крот)

Складчина Инструментарий Data Science & Data Mining с помощью Python (Юрий Кашницкий, Александр Крот). Совместные покупки курсов, тренингов, обучения. Присоединяйтесь! Важен каждый вкладчик.

Тема найдена по тегам:
Цена:
21000 руб
Взнос:
229 руб
Организатор:
Dr.Vatson

Список участников складчины:

1. Dr.Vatson 2. Ann_av 3. vlad1717 4. nafin 5. vlad7775ssa 6. serega1234 7. mercury*411 8. gygi 9. Svetlana93 10. ilin_a 11. Бенедетта 12. Stunia 13. ynelezaytsok 14. Anna7418 15. Iry 16. Morgula 17. MikhailY 18. IssaM
Оцените эту складчину: /5,
  1. Dr.Vatson
    Dr.Vatson Организатор складчин

    Инструментарий Data Science & Data Mining с помощью Python (Юрий Кашницкий, Александр Крот)

    [​IMG]

    Программа

    Мы постарались сделать программу так, чтобы в нее входили только самые основные навыки, необходимые в реальной работе. Здесь не будет длинной теории, только практически важные вещи.
    • Александр Крот проведет курс по прикладным задачам в анализе данных, где будут рассмотрены области Text Mining и Graph Theory, а также будут затронуты вопросы машинного обучения на больших данных
    • Юрий Кашницкий, преподаватель Высшей Школы Экономики, умеющий объяснять сложные вещи простым языком, познакомит слушателей сперва с основными инструментами, которые пригодятся начинающему Data Scientist'у, а после проведет курс по машинному обучению, в котором даст необходимые навыки для построения прогнозных моделей
    • Далее пройдет эксклюзивный мастер-класс Станислава Семенова, занимающего на данный момент 3е место в мировом рейтинге Kaggle, посвященный применению стратегий при решении задач. Станислав расскажет о таких необычных вещах, как стекинг, блендинг, композиции классификаторов, а также разберет несколько нетривиальных задач
    Кто мы и зачем нам это?
    Начиная с прошлого года, нам написало более 500 человек с вопросами по машинному обучению и анализу данных. После этого мы открыли ресурс MLClass.ru и собрали на нем множество специалистов по вопросам машинного обучения. Мы готовим специалистов и стараемся устраивать их на работу в ведущие компании.

    Инструментарий Data Science (Юрий Кашницкий)
    • Урок 1
      Введение в Python и средства разработки (23 сентября)
    • Урок 2
      Основы языка Python (27 сентября)
    • Урок 3
      Структуры данных I (30 сентября)
    • Урок 4
      Структуры данных II (4 октября)
    • Урок 5
      Функции. Рекурсия (7 октября)
    Data Mining с помощью Python (Юрий Кашницкий)
    • Урок 1
      Основы статистики (11 октября)
    • Урок 2
      Введение в линейную алгебру (14 октября)
    • Урок 3
      Машинное обучение в Python I (18 октября)
    • Урок 4
      Машинное обучение в Python II (21 октября)
    • Урок 5
      Машинное обучение в Python III (25 октября)
    • Урок 6
      Машинное обучение в Python IV (28 октября)
    Содержание складчины (папки и файлы)
    1. Инструментарий Data Science
    MLClass 1.mp4 [383m 212k 360]
    MLClass 2.mp4 [426m 596k 277]
    MLClass 3.mp4 [447m 605k 109]
    MLClass 4.mp4 [454m 326k 983]
    MLClass 5.mp4 [372m 9k 833]

    Notebooks

    jupyter_notebooks
    README.md [2k 306]

    img
    anaconda.png [11k 274]
    dir_tree.png [39k 703]
    for_cycle.png [65k 968]
    git_add.png [65k 692]
    git_branch_develop.png [139k 370]
    git_checkout_file.png [123k 806]
    git_conflict.png [47k 85]
    git_conflict_resolved.png [39k 786]
    git_push.png [86k 432]
    github_commits.png [60k 628]
    github_new_repo.png [75k 299]
    ipython_ex.png [174k 221]
    link.png [29k 337]
    mccme_task.png [78k 104]
    mlclass_logo.jpg [18k 298]
    operations.png [182k 512]
    operations_priority.png [97k 652]
    pycharm_screen.png [235k 904]
    qsort_tree.gif [6k 667]
    qsort-recur1.png [47k 73]
    qsort-recur2.png [3k 143]
    smart_git.png [192k 580]
    task_5B.png [2k 893]
    while_cycle.png [64k 458]

    img_html
    adjlist.png [28k 141]
    adjMat.png [8k 850]
    anaconda.png [11k 274]
    digraph.png [42k 41]
    dijkstra.png [60k 897]
    dir_tree.png [39k 703]
    fig_2_1_2_1.png [165k 728]
    fig_2_1_2_2.gif [3k 160]
    fig_2_1_2_3.png [20k 804]
    fig_2_1_2_4.png [45k 329]
    fig_2_1_2_5.png [102k 880]
    for_cycle.png [65k 968]
    git_add.png [65k 692]
    git_branch_develop.png [139k 370]
    git_checkout_file.png [123k 806]
    git_conflict.png [47k 85]
    git_conflict_resolved.png [39k 786]
    git_push.png [86k 432]
    github_commits.png [60k 628]
    github_new_repo.png [75k 299]
    heap1.png [33k 875]
    heapadd.jpg [116k 900]
    hotpotato.png [49k 135]
    ipython_decision_tree.slides.html [539k 908]
    ipython_ex.png [174k 221]
    lesson1_github.html [207k 82]
    lesson1_python_intro_tools.html [226k 86]
    lesson1_python_intro_tools.slides.html [235k 113]
    lesson2_part1_data_types.html [197k 61]
    lesson2_part1_variables_strings_numbers.slides.html [250k 730]
    lesson2_part2_conditions.slides.html [228k 570]
    lesson2_part2_numbers.html [214k 407]
    lesson2_part3_strings.html [220k 911]
    lesson2_part3_while_input.slides.html [256k 329]
    lesson2_part4_conditions.html [218k 616]
    lesson2_part5_while_for.html [247k 487]
    lesson2_tasks.html [219k 636]
    lesson3_part1_lists_tuples.html [329k 579]
    lesson3_part2_lists_tuples.slides.html [338k 286]
    lesson3_part2_search_sort.html [218k 598]
    lesson3_part3_string_algo.html [227k 254]
    lesson3_part4_dictionaries.html [317k 608]
    lesson3_part5_reading_file_to_dict.html [199k 727]
    lesson3_part6_sets.html [207k 667]
    lesson3_tasks.html [235k 130]
    lesson4_part1_data_structures.html [290k 354]
    lesson4_part2_graph_algo.html [394k 582]
    lesson4_tasks.html [233k 122]
    lesson5_part1_functions.html [270k 341]
    lesson5_part2_recursion.html [220k 926]
    lesson5_tasks.html [226k 274]
    link.png [29k 337]
    mccme_task.png [78k 104]
    mlclass_logo.jpg [18k 298]
    namequeue.png [29k 509]
    operations.png [182k 512]
    operations_priority.png [97k 652]
    pycharm_screen.png [235k 904]
    qsort_tree.gif [6k 667]
    qsort-recur1.png [47k 73]
    qsort-recur2.png [3k 143]
    smalltree.png [21k 722]
    smart_git.png [192k 580]
    task_5B.png [2k 893]
    treedef1.png [27k 195]
    treedef2.png [36k 534]
    while_cycle.png [64k 458]

    ipython_demonstration
    fig_2_1_2_1.png [165k 728]
    fig_2_1_2_2.gif [3k 160]
    fig_2_1_2_3.png [20k 804]
    fig_2_1_2_4.png [45k 329]
    fig_2_1_2_5.png [102k 880]
    ipython_decision_tree.html [534k 989]
    ipython_decision_tree.ipynb [327k 993]
    mlclass_logo.jpg [18k 298]

    python_lesson1_tools
    lesson1_optional_github.ipynb [12k 178]
    lesson1_part1_python_intro_tools.ipynb [23k 958]

    python_lesson2_python_basics
    lesson2_part1_data_types.ipynb [6k 420]
    lesson2_part2_numbers.ipynb [10k 365]
    lesson2_part3_strings.ipynb [19k 544]
    lesson2_part4_conditions.ipynb [9k 924]
    lesson2_part5_while_for.ipynb [28k 5]
    lesson2_tasks.ipynb [12k 687]

    python_lesson3_data_structures1
    credit_sample.txt [180]
    lesson3_part1_lists_tuples.ipynb [51k 687]
    lesson3_part2_search_sort.ipynb [13k 878]
    lesson3_part3_string_algo.ipynb [16k 424]
    lesson3_part4_dictionaries.ipynb [64k 873]
    lesson3_part5_reading_file_to_dict.ipynb [5k 143]
    lesson3_part6_sets.ipynb [8k 921]
    lesson3_tasks.ipynb [16k 655]

    python_lesson4_data_structures2
    input.txt [787]
    lesson4_part1_data_structures.ipynb [52k 639]
    lesson4_part2_graph_algo.ipynb [164k 65]
    lesson4_tasks.ipynb [18k 841]

    python_lesson5_func_recursion
    lesson5_part1_functions.ipynb [48k 517]
    lesson5_part2_recursion.ipynb [16k 3]
    lesson5_tasks.ipynb [15k 953]

    tasks

    lesson2_tasks
    2A_3443_power_of_two.py [16]
    2B_factorial.py [98]
    2C_hypo.py [66]
    2D_100A.py [17]
    2E_3501_max_of_2_integers.py [59]
    2F_which_is_greater.py [100]
    2G_squared.py [28]
    2H_hypo.py [80]
    2I_max_of_three.py [226]
    2J_trian_exists.py [153]
    2K_ladja.py [146]
    2L_root10.py [60]
    2M_3504_leap_year.py [124]
    2N_3513_horse.py [276]

    lesson3_tasks
    3A_range.py [71]
    3B_sum_squares.py [72]
    3C_factorial.py [67]
    3D_n_choose_k.py [172]
    3E_penguins.py [205]
    3F_choco.py [137]
    3G_linear.py [151]
    3H_cows.py [275]
    3I_diofant.py [182]
    3J_magic_numbers.py [68]
    3K_stairs.py [97]
    3L_three_comparisons.py [158]
    3M_metro.py [774]
    3N_sum_factorials.py [202]

    lesson4_tasks
    4A_only_even.py [71]
    4B_simple_word_count.py [43]
    4C_swap.py [56]
    4D_del_fragment.py [59]
    4E_swap_neighbours.py [159]
    4F_reverse_fragment.py [85]
    4G_insert_char_delimiter.py [53]
    4H_swap_min_max.py [157]
    4I_num_unique.py [48]
    4J_num_same.py [116]
    4K_occured_before.py [142]
    4L_num_unique_words.py [195]
    4M_boxes.py [350]
    4N_polyglots.py [450]
    4O_file_word_count.py [362]
    input.txt [787]

    lesson5_tasks
    5A_min4.py [153]
    5B_in_square.py [161]
    5C_power.py [151]
    5D_prime.py [267]
    5E_combinations.py [183]
    5F_recur_sum.py [200]
    5G_reverse.py [428]

    Тетрадки IPython в pdf
    ipython_decision_tree.pdf [1m 178k 900]
    lesson1_github.pdf [505k 771]
    lesson1_python_intro_tools.pdf [709k 477]
    lesson2_part1_data_types.pdf [139k 885]
    lesson2_part2_numbers.pdf [303k 227]
    lesson2_part3_strings.pdf [209k 453]
    lesson2_part4_conditions.pdf [215k 135]
    lesson2_part5_while_for.pdf [354k 449]
    lesson2_tasks.pdf [348k 859]
    lesson3_part1_lists_tuples.pdf [353k 183]
    lesson3_part2_lists_tuples slides.pdf [369k 722]
    lesson3_part2_search_sort.pdf [197k 129]
    lesson3_part3_string_algo.pdf [222k 970]
    lesson3_part4_dictionaries.pdf [425k 161]
    lesson3_part5_reading_file_to_dict.pdf [146k 16]
    lesson3_part6_sets.pdf [139k 266]
    lesson3_tasks.pdf [806k 62]
    lesson4_part1_data_structures.pdf [1m 172k 358]
    lesson4_part2_graph_algo.pdf [1m 249k 789]
    lesson4_tasks.pdf [638k 473]
    lesson5_part1_functions.pdf [262k 437]
    lesson5_part2_recursion.pdf [231k 751]
    lesson5_tasks.pdf [925k 67]

    2. Data Mining с помощью Python
    Machine learning with Python 1.mp4 [508m 843k 559]
    Machine learning with Python 2.mp4 [474m 657k 401]
    Machine learning with Python 3.mp4 [460m 236k 363]
    Machine learning with Python 4.mp4 [518m 647k 120]
    Machine learning with Python 5_1.mp4 [346m 176k 451]
    Machine learning with Python 5_2.mp4 [184m 718k 734]
    Machine learning with Python 5_3.mp4 [61m 546k 33]
    Machine learning with Python 6.mp4 [434m 108k 593]

    jupyter_notebooks

    data
    beauty.csv [32k 368]
    car_insurance_test.csv [3k 273]
    car_insurance_test_labels.csv [503]
    car_insurance_train.csv [28k 980]
    ex2data1.txt [3k 775]
    ex2data2.txt [2k 233]
    girls.csv [17k 63]
    hostel_factors.csv [2k 873]
    microchip_tests.txt [2k 233]
    nba_2013.csv [72k 21]
    pima-indians-diabetes.data [23k 279]
    rf_prediction.csv [504]
    sample_submission.csv [503]
    samsung_test.txt [26m 458k 166]
    samsung_test_labels.txt [5k 894]
    samsung_train_labels.txt [14k 704]
    test_input.txt [34]
    titanic_test.csv [28k 629]
    titanic_train.csv [61k 194]
    tree_prediction.csv [504]

    img
    anaconda.png [11k 274]
    bagging.png [123k 500]
    boosting_overfitting.png [109k 479]
    classifiers.png [557k 953]
    confusion_matrix.png [72k 50]
    contingency.png [50k 163]
    decision_tree1.png [165k 728]
    decision_tree2.gif [3k 160]
    decision_tree3.png [20k 804]
    decision_tree4.png [45k 329]
    decision_tree5.png [102k 880]
    dir_tree.png [39k 703]
    first_tree.gif [125k 389]
    forest.png [51k 216]
    gboost_cv-test_acc_car.png [30k 625]
    girl1.jpg [166k 868]
    girl2.jpg [78k 296]
    girl3.jpg [144k 495]
    girl4.jpg [73k 414]
    girl5.jpg [139k 728]
    girl6.jpg [115k 881]
    girl7.jpg [125k 748]
    git_add.png [65k 692]
    git_branch_develop.png [139k 370]
    git_checkout_file.png [123k 806]
    git_conflict.png [47k 85]
    git_conflict_resolved.png [39k 786]
    git_push.png [86k 432]
    github_commits.png [60k 628]
    github_new_repo.png [75k 299]
    ipython_ex.png [174k 221]
    ipython-logo.jpg [3k 378]
    kernel_trick.jpeg [48k 514]
    kfold.jpg [9k 815]
    kNN.png [140k 453]
    knn_cv-test_acc_car_insurance.png [17k 67]
    linalg_task.png [25k 516]
    linalg_task2.png [26k 915]
    linalg_task3.png [46k 385]
    locally_best_tree.gif [8k 146]
    logit.png [29k 386]
    matplotlib-logo.png [91k 776]
    mlclass_logo.jpg [18k 298]
    mlclass_logo2.jpg [21k 339]
    motivation.png [711k 966]
    numpy-logo.png [6k 48]
    outlier_detection.png [105k 440]
    pandas-logo.png [9k 239]
    plot_pca_3d_1.png [30k 408]
    plot_pca_3d_2.png [29k 681]
    prime-sieve.png [31k 218]
    pycharm_screen.png [235k 904]
    ROC.jpg [133k 428]
    scikit-learn-flow-chart.jpg [200k 518]
    scikit-learn-logo.png [13k 662]
    scipy-logo.png [1k 439]
    smart_git.png [192k 580]
    svm_linear2.png [16k 190]
    svm_linear3.png [13k 195]
    SVM_optimize.png [20k 537]
    tree-partition.png [46k 812]
    tree-simple.png [35k 888]
    trigonometry.png [125k 489]

    ml_lesson1_intro
    first_tree.dot [4k 900]
    first_tree.pdf [22k 455]
    lesson1_part1_intro.ipynb [8k 581]
    lesson1_part2_decision_trees.ipynb [328k 108]
    lesson1_part3_kaggle_inclass.ipynb [385k 831]
    locally_best_tree.dot [275]
    tree_prediction.csv [504]

    ml_lesson2_tools
    hw2_pandas_titanic.ipynb [34k 257]
    lesson2_linalg_task.ipynb [13k 152]
    lesson2_optional_github.ipynb [12k 64]
    lesson2_part1_numpy.ipynb [245k 908]
    lesson2_part2_scipy.ipynb [85k 787]
    lesson2_part3_pandas.ipynb [262k 207]
    lesson2_part4_matplotlib.ipynb [257k 718]
    lesson2_part5_Seaborn.ipynb [184k 866]
    rf_titanic.ipynb [52k 985]
    Titanic_pandas_english.ipynb [633k 433]

    ml_lesson3_classification
    hw2_pandas_Titanic_solution.ipynb [169k 316]
    lesson3_part1_scikit-learn_overview.ipynb [358k 521]
    lesson3_part2_feature_extraction_Titanic.ipynb [110k 840]
    lesson3_part3_feature_importance.ipynb [50k 348]
    lesson3_part4_k_nearest_neighbors.ipynb [68k 962]
    lesson3_part5_logistic_regression.ipynb [108k 449]
    lesson3_part6_classification_metrics.ipynb [69k 944]
    lesson3_part7_SVM_kernel_trick.ipynb [549k 610]
    lesson4_part4_kNNlearning_curve.ipynb [66k 810]
    Untitled.ipynb [29k 77]

    ml_lesson4_ensembles_regularization
    lesson4_AdaBoost_validation.ipynb [40k 129]
    lesson4_hw.ipynb [9k 648]
    lesson4_kNN_validation.ipynb [130k 841]
    lesson4_logit_validation.ipynb [115k 0]
    lesson4_part1_bagging.ipynb [110k 625]
    lesson4_part2_random_forest.ipynb [90k 844]
    lesson4_part3_boosting.ipynb [144k 477]
    lesson4_part4_ensemble_comparison.ipynb [178k 286]
    lesson4_part5_overfitting_validation.ipynb [289k 933]
    lesson4_part6_regularization.ipynb [242k 282]
    load_car_insurance_data.py [1k 953]

    __pycache__
    load_car_insurance_data.cpython-34.pyc [1k 467]

    ml_lesson5_unsupervised
    hw5_clustering_samsung_solution.ipynb [170k 714]
    lesson5_part1_kmeans.ipynb [310k 189]
    lesson5_part2_PCA.ipynb [1m 304k 877]
    lesson5_part3_outlier_detection.ipynb [115k 505]
    lesson5_part4_habr_girls.ipynb [248k 601]
    lesson5_part5_clustering_metrics.ipynb [13k 398]

    ml_lesson6_classes
    best_boston.pkl [110k 575]
    kaggle_otto_semenov.ipynb [1m 531k 621]
    lesson6_part1_lasagne_otto.ipynb [13k 589]
    lesson6_part2_xgboost_example.ipynb [10k 893]
    lesson6_part2_xgboost_scikit_gboost.ipynb [105k 363]
    lesson6_part3_kaggle_ensembles.ipynb [6k 856]
    lesson6_part4_kaggle_titanic_blending_auc.ipynb [350k 910]
    lesson6_part5_titanic_blending_f1_score.ipynb [188k 847]
    lesson6_part6_kaggle_titanic_stacking_auc.ipynb [20k 916]
    lesson6_part7_custom_estimator.ipynb [6k 359]
    lesson6_part8_knn_custom_metric.ipynb [8k 172]
    load_car_insurance_with_region.py [2k 167]
    load_car_insurance_with_region.pyc [1k 770]
    load_titanic_with_features.py [4k 816]
    load_titanic_with_features.pyc [3k 734]

    __pycache__
    load_titanic_with_features.cpython-34.pyc [3k 396]

    other_notebooks
    2_1_5_logit.ipynb [6k 613]
    An introduction to Machine Learning with Scikit-Learn.ipynb [38k 497]
    beeline_tselikov.ipynb [171k 65]
    dataschool_logit.ipynb [90k 242]
    lesson3_titanic_tutorial_eng.ipynb [439k 173]
    lesson6_part8_custom_estimator_car_insurance.ipynb [21k 819]
    lesson6_part8_custom_estimator2_car_insurance.ipynb [21k 819]
    scikit-learn-validation.ipynb [284k 332]
    Titanic_pandas_english.ipynb [633k 433]

    output
    adaboost_car_insurance.csv [504]
    car_insurance_myblackbox.csv [504]
    knn_car_insurance.csv [504]
    knn_car_insurance_custom_metric.csv [504]
    lasagne_otto.csv [22m 939k 883]
    titanic.knn.csv [2k 839]
    titanic_knn.csv [2k 839]
    titanic_knn_f1.csv [2k 839]
    titanic_knn_lin_svc_mix.csv [2k 839]
    titanic_knn_lin_svc_mix_f1.csv [2k 839]
    titanic_lin_svc.csv [2k 839]
    titanic_lin_svc_f1.csv [2k 839]
    titanic_logit_poly.csv [2k 839]
    titanic_myblackbox.csv [2k 839]
    titanic_results-rf_tutorial_07799.csv [2k 839]
    titanic_rf_prediction.csv [2k 839]
    titanic_rf_prediction_with_title.csv [2k 839]
    titanic_scaled_logit_poly.csv [2k 839]
    titanic_stacking.csv [2k 839]
    titanic_xgb_submission.csv [2k 839]

    submissions
    gboost_car_insurance 2.csv [504]
    gboost_car_insurance.csv [504]
    knn_car_insurance 2.csv [504]
    knn_car_insurance.csv [504]
    rf_cv_prediction.csv [504]
    rf_prediction.csv [504]
    tree_prediction.csv [504]

    scripts
    load_titanic_with_features.py [4k 816]
    load_titanic_with_features.pyc [3k 822]

    3. Kaggle Tips & Tricks
    Kaggle_Tips_and_Tricks_1.mp4 [213m 837k 262]
    Kaggle_Tips_and_Tricks_2.mp4 [343m 12k 168]
    Kaggle_Tips_and_Tricks_3.mp4 [332m 812k 445]
    Kaggle_Tips_and_Tricks_4.mp4 [294m 56k 95]
    Kaggle_Tips_and_Tricks_5.mp4 [324m 137k 596]

    Kaggle Tips and Tricks

    1
    1.pdf [1m 16k 689]

    2
    2.pdf [503k 519]
    greek.ipynb [854k 176]

    3
    3.pdf [863k 266]
    otto.ipynb [1m 529k 336]

    4
    4.pdf [793k 142]
    axa.ipynb [4m 612k 221]

    5
    5.pdf [442k 371]
    cat.ipynb [503k 993]

    4. Прикладные области анализа данных
    Lesson_1._Practical_Data_Science.mp4 [357m 687k 852]
    Lesson_2._Practical_Data_Science.mp4 [364m 565k 309]
    Lesson_3._Practical_Data_Science.mp4 [413m 115k 228]
    Lesson_4._Practical_Data_Science.mp4 [418m 581k 286]

    Practical Data Science

    Lesson 1
    DSCourse.pdf [3m 759k 520]
    Kaggle-Word2Vec.html [303k 98]
    Kaggle-Word2Vec.ipynb [92k 256]
    texts.pdf [454k 305]
    TopicModelling2.html [351k 79]
    TopicModelling2.ipynb [131k 882]

    Lesson 2
    d3js VS shiny.ipynb [6k 447]
    DSCourse.pdf [3m 759k 520]
    graph_tool.ipynb [6k 746]
    graphs.pdf [146k 651]
    igraph.ipynb [7k 824]
    networkx.ipynb [18k 76]

    Lesson 3_4
    Basics.html [213k 829]
    Basics.ipynb [22k 955]
    DocumentSimilarity.html [331k 524]
    DocumentSimilarity.ipynb [128k 465]
    DSCourse.pdf [3m 759k 520]
    features_selection.pdf [330k 640]
    ibm_meetup.pdf [506k 83]
    Krot_graphs_viz_2015.pdf [233k 710]
    Krot_graphs4_2015.pdf [91k 303]
    Krot_likes_2015.pdf [628k 436]
    Krot_PCA_2015.pdf [297k 943]
    Link_prediction.pdf [345k 899]
    MLLib.html [238k 197]
    MLLib.ipynb [39k 371]
    networkx.html [227k 139]
    networkx.ipynb [12k 506]

    Объем: 7,69Гб.

     
    Последнее редактирование модератором: 1 май 2023
    Dr.Vatson, 11 сен 2015
  2. Похожие складчины
    Загрузка...
  3. adsl3008
    adsl3008 Складчик
    Ребят, вышел офигенный курс, от друга автора Скрытый текст. Доступен только зарегистрированным пользователям.Нажмите, чтобы раскрыть... !
     
    adsl3008, 15 июл 2019
  4. SandraW
    SandraW Организатор складчин
    Освой Профессию‌ ‌Data‌ ‌Scientist‌ [SkillBox] _Beach
    Вас ждут 8 курсов, онлайн-лекции и практические задания, а также 2 дипломных проекта.
    После обучения вы сможете претендовать на позицию Junior Data Scientist.

    Чему вы научитесь:
    + Программировать на Python
    + Визуализировать данные
    + Разрабатывать интерактивную инфографику
    + Работать с библиотеками и базами данных (Pandas, NumPy и Matplotlib, PostgreSQL, SQLite3, MongoDB)
    + Программировать на R
    + Применять нейронные сети для решения реальных задач
    + Освоите фреймворки для обучения нейронных сетей Tensorflow и Keras
    + Построите рекомендательную систему и добавите её в своё портфолио

    ПОРА ПРОФЕССИЮ МЕЧТЫ ПРЕВРАЩАТЬ В РЕАЛЬНОСТЬ! _Neo Скрытый текст. Доступен только зарегистрированным пользователям.Нажмите, чтобы раскрыть...
     
    SandraW, 20 май 2021
  5. adsl3008
    adsl3008 Складчик
    Вышел интересный курс, от друзей автора Скрытый текст. Доступен только зарегистрированным пользователям.Нажмите, чтобы раскрыть... !
     
    adsl3008, 8 дек 2021
  6. SandraW
    SandraW Организатор складчин
    _Smoke [Skillbox] Профессия Инженер по тестированию 2022

    Тестировщик в буквальном смысле проводит краш-тесты программных продуктов.
    Он продумывает, что и где может сломаться, прогнозирует сбои и находит ошибки в приложениях, сайтах и программах, чтобы продукт вышел работоспособным.
    Тестировщик должен всеми способами испытать надёжность и удобство сервиса на этапе разработки.

    Вы освоите одну из самых востребованных IT-профессий под руководством личного наставника и начнёте зарабатывать ещё до завершения курса.
    Опыт программирования не нужен.
    Скрытый текст. Доступен только зарегистрированным пользователям.Нажмите, чтобы раскрыть...
     
    SandraW, 8 сен 2022
Наверх