Hướng dẫn python for data science pdf github - python dành cho khoa học dữ liệu pdf github

Question

Cẩm nang Khoa học Dữ liệu Python

Nội dung chính Show

Cẩm nang Khoa học Dữ liệu Python
Làm thế nào để sử dụng cuốn sách này
Phần mềm
Giấy phép
Tên đã được sử dụng
GitHub có tốt cho khoa học dữ liệu không?
Python có tốt cho khoa học dữ liệu không?
Là Sổ tay Khoa học Dữ liệu Python cho người mới bắt đầu?
Làm thế nào tôi có thể học Python cho khoa học dữ liệu?

Kho lưu trữ này chứa toàn bộ sổ tay khoa học dữ liệu Python, dưới dạng máy tính xách tay Jupyter (miễn phí!).

Làm thế nào để sử dụng cuốn sách này

Đọc toàn bộ cuốn sách trực tuyến tại https://jakevdp.github.io/pythondatascienhandbook/
Chạy mã bằng máy tính xách tay Jupyter có sẵn trong thư mục Notebook của kho lưu trữ này.
Khởi chạy các phiên bản thực thi của các máy tính xách tay này bằng Google Colab:
Khởi chạy máy chủ Notebook trực tiếp với các máy tính xách tay này bằng cách sử dụng Binder:
Mua cuốn sách in thông qua O'Reilly Media

Về

Cuốn sách được viết và thử nghiệm với Python 3.5, mặc dù các phiên bản Python khác (bao gồm Python 2.7) sẽ hoạt động trong hầu hết các trường hợp.

Cuốn sách giới thiệu các thư viện cốt lõi cần thiết để làm việc với dữ liệu trong Python: đặc biệt là ipython, numpy, gandas, matplotlib, scikit-learn và các gói liên quan. Làm quen với Python như một ngôn ngữ được coi là; Nếu bạn cần giới thiệu nhanh về ngôn ngữ, hãy xem Dự án Đồng hành miễn phí, một chuyến tham quan Python của Python: Đó là phần giới thiệu nhanh chóng về ngôn ngữ Python nhằm vào các nhà nghiên cứu và nhà khoa học.

Xem index.ipynb để biết chỉ mục của sổ ghi chép có sẵn để đi kèm với văn bản.

Phần mềm

Mã trong cuốn sách đã được thử nghiệm với Python 3.5, mặc dù hầu hết (nhưng không phải tất cả) cũng sẽ hoạt động chính xác với Python 2.7 và các phiên bản Python cũ khác.

Các gói tôi đã sử dụng để chạy mã trong cuốn sách được liệt kê trong các yêu cầu.txt (Lưu ý rằng một số số phiên bản chính xác này có thể không có sẵn trên nền tảng của bạn: bạn có thể phải điều chỉnh chúng để sử dụng cho riêng bạn). Để cài đặt các yêu cầu bằng cách sử dụng Conda, hãy chạy những điều sau đây tại dòng lệnh:

$ conda install --file requirements.txt

Để tạo môi trường độc lập có tên PDSH với Python 3.5 và tất cả các phiên bản gói cần thiết, hãy chạy như sau:

$ conda create -n PDSH python=3.5 --file requirements.txt

Bạn có thể đọc thêm về việc sử dụng môi trường Conda trong phần Môi trường quản lý của tài liệu Conda.

Giấy phép

Mã số

Mã trong kho lưu trữ này, bao gồm tất cả các mẫu mã trong sổ ghi chép được liệt kê ở trên, được phát hành theo giấy phép MIT. Đọc thêm tại sáng kiến nguồn mở.

Chữ

Nội dung văn bản của cuốn sách được phát hành theo giấy phép CC-BY-NC-ND. Đọc thêm tại Creative Commons.

Permalink

bậc thầy

Chuyển nhánh/thẻ

Không thể tải các nhánh

Không có gì để hiển thị

Tên đã được sử dụng

Một thẻ đã tồn tại với tên chi nhánh được cung cấp. Nhiều lệnh GIT chấp nhận cả tên thẻ và tên chi nhánh, vì vậy việc tạo nhánh này có thể gây ra hành vi bất ngờ. Bạn có chắc là bạn muốn tạo chi nhánh này?

Đi nộp

Đi nộp
Sao chép đường dẫn
Sao chép permalink

Không thể lấy lại những người đóng góp tại thời điểm này

5,6 MB

Tải xuống

Mở với máy tính để bàn
Tải xuống
Xóa tài liệu

Xin lỗi, có lỗi xảy ra. Tải lại?

Xin lỗi, chúng tôi không thể hiển thị tệp này.

Xin lỗi, tệp này không hợp lệ nên nó không thể được hiển thị.

Trang web này chứa toàn bộ văn bản của Sổ tay Khoa học Dữ liệu Python của Jake Vanderplas; Nội dung có sẵn trên GitHub dưới dạng Notebook Jupyter.

Văn bản được phát hành theo giấy phép CC-BY-NC-ND và mã được phát hành theo giấy phép MIT.

Nếu bạn thấy nội dung này hữu ích, vui lòng xem xét hỗ trợ công việc bằng cách mua sách!

& nbsp; SQL cho khoa học dữ liệu SQL for Data Science

& nbsp;
Giới thiệu về SQL cho Khoa học dữ liệu (8:49)
& nbsp;
Kết nối với cơ sở dữ liệu Infinity Cloud Data Science (thực tế) (10:06)
& nbsp;
Giới thiệu về SQL Workbench/J (6:58)
& nbsp;
SQL Workbench/J Khắc phục sự cố 1 - Vấn đề kết nối
& nbsp;
SQL Workbench/J Khắc phục sự cố 2 - Ngắt kết nối thường xuyên khỏi cơ sở dữ liệu
& nbsp;
Tuyên bố chọn (Thực tế) (9:43)
& nbsp;
Áp dụng các điều kiện lựa chọn bằng cách sử dụng câu lệnh (thực tế) (8:48)
& nbsp;
Hàm tổng hợp và nhóm theo tuyên bố (thực tế) (10:11)
& nbsp;
Các quy tắc có điều kiện sử dụng trường hợp khi (thực tế) (9:12)
& nbsp;
Việc sử dụng các chức năng cửa sổ (thực tế) (11:38)
& nbsp;
Tham gia bảng bằng tham gia (thực tế) (19:23)
& nbsp;
SQL duy nhất tham gia gian lận bạn cần (hình ảnh)
& nbsp;
Xếp chồng dữ liệu bằng liên minh và liên minh tất cả (thực tế) (4:34)
& nbsp;
Thực hiện nhiều truy vấn bằng cách sử dụng bảng tạm thời và CTE (9:50)
& nbsp;
Các mẹo & thủ thuật hữu ích khác! (Thực tế) (20:50)
& nbsp;
Thử nghiệm SQL thế giới thực 01 - Câu hỏi
& nbsp;
Thử nghiệm SQL thế giới thực 01 - Giải pháp (13:47)
& nbsp;
Thử nghiệm SQL thế giới thực 02 - Câu hỏi
& nbsp;
Thử nghiệm SQL thế giới thực 02 - Giải pháp (15:53)
& nbsp;
Thử nghiệm SQL thế giới thực 03 - Câu hỏi
& nbsp;
Thử nghiệm SQL thế giới thực 03 - Giải pháp (16:24)
& nbsp;
PDF có thể tải xuống: 10 câu hỏi lý thuyết SQL phổ biến (có câu trả lời)

& nbsp; Python cho khoa học dữ liệu 01: Python cơ sở Python for Data Science 01: Base Python

& nbsp;
Giới thiệu về Python cho khoa học dữ liệu (8:56)
& nbsp;
Cài đặt Anaconda (Thực tế) (7:21)
& nbsp;
Giới thiệu về Spyder (Thực tế) (5:09)
& nbsp;
Giới thiệu các biến và loại dữ liệu (thực tế) (10:04)
& nbsp;
Gán dữ liệu của chúng tôi cho các biến (thực tế) (4:50)
& nbsp;
Một cái nhìn sâu hơn về làm việc với các chuỗi (thực tế) (16:19)
& nbsp;
Một cái nhìn sâu hơn về làm việc với các con số (thực tế) (7:02)
& nbsp;
Giới thiệu về cấu trúc dữ liệu (thực tế) (1:06)
& nbsp;
Giới thiệu về cấu trúc dữ liệu (thực tế) (1:06)
& nbsp;
Giới thiệu về cấu trúc dữ liệu (thực tế) (1:06)
& nbsp;
Giới thiệu về cấu trúc dữ liệu (thực tế) (1:06)
& nbsp;
Giới thiệu về cấu trúc dữ liệu (thực tế) (1:06)
& nbsp;
Giới thiệu về cấu trúc dữ liệu (thực tế) (1:06)
& nbsp;
Cấu trúc dữ liệu 1: Danh sách (thực tế) (17:41)
& nbsp;
Cấu trúc dữ liệu 2: Tuples (Thực tế) (7:04)
& nbsp;
Cấu trúc dữ liệu 3: Bộ (Thực tế) (10:57)
& nbsp;
Cấu trúc dữ liệu 4: Từ điển (thực tế) (11:28)
& nbsp;
Thêm thông minh vào mã của chúng tôi bằng cách sử dụng các câu lệnh có điều kiện (thực tế) (13:03)
& nbsp;
Đi vòng quanh với các vòng (thực tế) (12:57)
& nbsp;
Loop de Loop với WHER LOOP (Thực tế) (5:59)
& nbsp;
Nhận thông tin bằng hàm đầu vào (thực tế) (5:30)
& nbsp;
** Dự án nhỏ ** Xây dựng một trò chơi đoán số (thực tế) (13:28)
& nbsp;
Nhận chức năng với các chức năng (thực tế) (8:40)
& nbsp;
** Dự án mini ** Tìm số nguyên tố (thực tế) (22:34)

Một lưu ý về việc sử dụng pop () với các bộ trong python Python for Data Science 02: Numpy

& nbsp;
Thêm dự án được xây dựng sẵn vào danh mục đầu tư của bạn!
& nbsp;
Tìm hiểu về sự hiểu biết danh sách rất hữu ích (thực tế) (9:04)
& nbsp;
Xử lý ngoại lệ với .... Xử lý ngoại lệ (Thực tế) (9:00)
& nbsp;
Ở đâu từ đây ... (2:15)
& nbsp;
& nbsp; Python cho khoa học dữ liệu 02: Numpy
& nbsp;
Giới thiệu về Numpy (3:24)
& nbsp;
Tạo mảng numpy (thực tế) (15:02)

Hoạt động mảng Numpy (thực tế) (11:46) Python for Data Science 03: Pandas

& nbsp;
Thao tác các mảng numpy (thực tế) (14:11)
& nbsp;
** Dự án mini ** Tính toán khối lượng hành tinh (thực tế) (10:31)
& nbsp;
** Dự án nhỏ ** Thao tác hình ảnh bằng cách sử dụng Numpy (lấy dữ liệu)
& nbsp;
** Dự án mini ** Thao tác hình ảnh (thực tế) (17:06)
& nbsp;
& nbsp; Python cho Khoa học dữ liệu 03: Gandas
& nbsp;
Giới thiệu về gấu trúc (1:36)
& nbsp;
Truy cập và tải xuống dữ liệu
& nbsp;
Tạo dữ liệu DataFrames & Nhập dữ liệu (Thực tế) (11:50)
& nbsp;
Khám phá và hiểu dữ liệu DataFrame (thực tế) (14:23)
& nbsp;
Truy cập các cột cụ thể trong DataFrame của chúng tôi (thực tế) (7:51)
& nbsp;
Thêm các cột và thả vào DataFrame của chúng tôi (thực tế) (9:34)
& nbsp;
Thêm cột bằng cách sử dụng bản đồ, thay thế và áp dụng (thực tế) (13:54)
& nbsp;
Sắp xếp và dữ liệu xếp hạng (thực tế) (12:40)
& nbsp;
Chọn hàng & cột bằng LỘC & ILOC (Thực tế) (19:35)
& nbsp;
Đổi tên cột (thực tế) (8:43)
& nbsp;
Tham gia & hợp nhất DataFrames (Thực tế) (14:48)
& nbsp;
Tổng hợp dữ liệu bằng Groupby (Thực tế) (18:58)

Xoay một DataFrame (Thực tế) (11:33) Python for Data Science 04: Matplotlib

& nbsp;
Xử lý các giá trị bị thiếu (thực tế) (21:32)
& nbsp;
Xử lý dữ liệu trùng lặp (thực tế) (9:05)
& nbsp;
Tạo biểu đồ và âm mưu bằng gấu trúc (thực tế) (15:52)
& nbsp;
Xuất dữ liệu (thực tế) (14:23)
& nbsp;
& nbsp; Python cho khoa học dữ liệu 04: matplotlib
& nbsp;
Giới thiệu về matplotlib (1:22)
& nbsp;
Cốt truyện đầu tiên của chúng tôi (thực tế) (8:56)
& nbsp;
Định dạng cốt truyện của chúng tôi: Các tính năng (thực tế) (9:00)
& nbsp;
Định dạng cốt truyện của chúng tôi: Colors & Styles (thực tế) (13:52)
& nbsp;
Làm việc với các ô phụ (thực tế) (8:26)
& nbsp;
Hãy lấy một số dữ liệu chiều cao và trọng lượng để sử dụng!

Tạo và tinh chỉnh một biểu đồ (thực tế) (9:23) An intuitive & fun adventure through Statistics for Data Science!

& nbsp;
Tạo và tinh chỉnh một âm mưu phân tán (thực tế) (8:44)
& nbsp;
Tăng cường âm mưu của chúng tôi bằng cách sử dụng Aids trực quan (thực tế) (8:03)
& nbsp;
Thêm văn bản vào các âm mưu của chúng tôi (thực tế) (17:08)
& nbsp;
Tiết kiệm lô (thực tế) (3:33)
& nbsp;
& nbsp; Một cuộc phiêu lưu trực quan và vui vẻ thông qua thống kê cho khoa học dữ liệu!
& nbsp;
Tổng quan về phần thống kê (1:08)
& nbsp;
Các "loại" khác nhau của dữ liệu (3:52)
& nbsp;
Thời gian đố! Thống kê - các loại dữ liệu
& nbsp;
Phân phối là gì? (13:31)
& nbsp;
Làm việc với "phân phối bình thường" (5:40)
& nbsp;
Các loại phân phối (7:27)
& nbsp;
Thời gian đố! Thống kê - Phân phối
& nbsp;
Định lý giới hạn trung tâm (9:08)
& nbsp;
Hãy tự tin với khoảng thời gian tự tin (10:09)
& nbsp;
Thời gian đố! Thống kê - xử lý sự không chắc chắn
& nbsp;
Giới thiệu về Thử nghiệm giả thuyết (9:54)
& nbsp;
Kiểm tra giả thuyết: Một bài kiểm tra mẫu (9:13)
& nbsp;
Kiểm tra giả thuyết: mẫu độc lập t-test (9:39)
& nbsp;
Kiểm tra giả thuyết: Test t cặp (8:38)

Kiểm tra giả thuyết: Bài kiểm tra chi bình phương cho tính độc lập (10:01) Github for Data Science

& nbsp;
Lưu ý: Kiểm tra chi bình phương so với Z-TEST cho tỷ lệ
& nbsp;
Giá trị P
& nbsp;
Thời gian đố! Thống kê - Kiểm tra giả thuyết & giá trị P
& nbsp;
Đẩy và kéo giữa PC địa phương và GitHub (thực tế) (13:33)
& nbsp;
PDF có thể tải xuống: Lingo thiết yếu cho khoa học dữ liệu

& nbsp; AB Testing - Lý thuyết & Ứng dụng AB Testing - Theory & Application

& nbsp;
AB thử nghiệm là gì? (2:28)
& nbsp;
Nhiệm vụ của chúng tôi cho ABC tạp hóa! (2:09)
& nbsp;
Nhận dữ liệu
& nbsp;
Bài kiểm tra chi bình phương cho cửa hàng tạp hóa ABC (thực tế) (18:32)
& nbsp;
Thêm dự án được xây dựng sẵn vào danh mục đầu tư của bạn!
& nbsp;
Hãy mã hóa một thử nghiệm một mẫu (10:18)
& nbsp;
Hãy mã hóa một mẫu độc lập t-test (9:02)
& nbsp;
Hãy mã hóa một bài kiểm tra mẫu được ghép nối (7:50)

& nbsp; Chuẩn bị và làm sạch dữ liệu cho học máy Preparing & Cleaning Data for Machine Learning

& nbsp;
Danh sách kiểm tra để làm sạch và chuẩn bị dữ liệu (10:30)
& nbsp;
Xử lý các giá trị bị thiếu (lý thuyết) (8:41)
& nbsp;
Xử lý các giá trị bị thiếu - Pandas (Thực tế) (12:42)
& nbsp;
Xử lý các giá trị bị thiếu - Simplimputer (thực tế) (11:05)
& nbsp;
Xử lý các giá trị bị thiếu - Knnimpter (Thực tế) (11:49)
& nbsp;
Xử lý các biến phân loại (lý thuyết) (7:14)
& nbsp;
Xử lý các biến phân loại - một bộ mã hóa nóng (thực tế) (10:50)
& nbsp;
Đối phó với các ngoại lệ (lý thuyết) (9:25)
& nbsp;
Đối phó với các ngoại lệ (thực tế) (13:34)
& nbsp;
Tính năng mở rộng cho học máy (lý thuyết) (7:17)
& nbsp;
Tính năng mở rộng cho học máy (thực tế) (8:18)
& nbsp;
Lựa chọn tính năng trong học máy (lý thuyết) (10:59)
& nbsp;
Lựa chọn tính năng trong học máy - Nhận dữ liệu mẫu
& nbsp;
Lựa chọn tính năng trong học máy - Ma trận tương quan (thực tế) (4:26)
& nbsp;
Lựa chọn tính năng trong học máy - Kiểm tra đơn biến (thực tế) (17:52)
& nbsp;
Lựa chọn tính năng trong học máy - RFECV (thực tế) (13:48)
& nbsp;
Xác thực mô hình & Phù hợp quá mức (Lý thuyết) (7:54)
& nbsp;
Xác thực mô hình & Phù hợp quá mức (Thực tế) (18:06)
& nbsp;
Thời gian đố! Làm sạch và chuẩn bị dữ liệu ML

& nbsp; Hồi quy tuyến tính Linear Regression

& nbsp;
Tổng quan cấp cao (5:09)
& nbsp;
STTINCIL CODE cơ bản (Thực tế) (8:57)
& nbsp;
Công thức cho một đường thẳng (lý thuyết nâng cao) (9:00)
& nbsp;
Tìm dòng "tốt nhất" sử dụng bình phương tối thiểu (lý thuyết nâng cao) (12:57)
& nbsp;
Đánh giá mô hình phù hợp bằng cách sử dụng R-bình phương (lý thuyết nâng cao) (11:32)
& nbsp;
Nhiều biến đầu vào (lý thuyết nâng cao) (4:51)
& nbsp;
Điều chỉnh R-bình phương (lý thuyết nâng cao) (5:40)
& nbsp;
Hiểu giá trị p (lý thuyết nâng cao) (6:33)
& nbsp;
Mẫu mã nâng cao (thực tế) (29:31)
& nbsp;
Thời gian đố! Khái niệm hồi quy tuyến tính

& nbsp; Rừng ngẫu nhiên để hồi quy Random Forests for Regression

& nbsp;
Tổng quan cấp cao (9:58)
& nbsp;
STTINCIL CODE cơ bản (Thực tế) (9:16)
& nbsp;
Tầm quan trọng của tính năng (Lý thuyết nâng cao) (5:40)
& nbsp;
Đánh giá hiệu suất mô hình (lý thuyết nâng cao) (4:15)
& nbsp;
Mẫu mã nâng cao (thực tế) (22:33)
& nbsp;
Dự đoán điểm số trung thành bị thiếu (thực tế) (8:53)
& nbsp;
Thêm dự án được xây dựng sẵn vào danh mục đầu tư của bạn!
& nbsp;
Hãy mã hóa một thử nghiệm một mẫu (10:18)

Hãy mã hóa một mẫu độc lập t-test (9:02) Logistic Regression

& nbsp;
Hãy mã hóa một bài kiểm tra mẫu được ghép nối (7:50)
& nbsp;
& nbsp; Chuẩn bị và làm sạch dữ liệu cho học máy
& nbsp;
Danh sách kiểm tra để làm sạch và chuẩn bị dữ liệu (10:30)
& nbsp;
Xử lý các giá trị bị thiếu (lý thuyết) (8:41)
& nbsp;
Xử lý các giá trị bị thiếu - Pandas (Thực tế) (12:42)
& nbsp;
Xử lý các giá trị bị thiếu - Simplimputer (thực tế) (11:05)
& nbsp;
Xử lý các giá trị bị thiếu - Knnimpter (Thực tế) (11:49)
& nbsp;
Xử lý các biến phân loại (lý thuyết) (7:14)
& nbsp;
Xử lý các biến phân loại - một bộ mã hóa nóng (thực tế) (10:50)
& nbsp;
Đối phó với các ngoại lệ (lý thuyết) (9:25)

Đối phó với các ngoại lệ (thực tế) (13:34) Unsupervised Learning: K-Means Clustering

& nbsp;
Tính năng mở rộng cho học máy (lý thuyết) (7:17)
& nbsp;
Tính năng mở rộng cho học máy (thực tế) (8:18)
& nbsp;
Lựa chọn tính năng trong học máy (lý thuyết) (10:59)
& nbsp;
Lựa chọn tính năng trong học máy - Nhận dữ liệu mẫu
& nbsp;
Lựa chọn tính năng trong học máy - Ma trận tương quan (thực tế) (4:26)
& nbsp;
Lựa chọn tính năng trong học máy - Kiểm tra đơn biến (thực tế) (17:52)
& nbsp;
Lựa chọn tính năng trong học máy - RFECV (thực tế) (13:48)
& nbsp;
Xác thực mô hình & Phù hợp quá mức (Lý thuyết) (7:54)
& nbsp;
Thêm dự án được xây dựng sẵn vào danh mục đầu tư của bạn!
& nbsp;
Hãy mã hóa một thử nghiệm một mẫu (10:18)

Hãy mã hóa một mẫu độc lập t-test (9:02) From Learning to Earning: A Framework for Success!

& nbsp;
Hãy mã hóa một bài kiểm tra mẫu được ghép nối (7:50)
& nbsp;
& nbsp; Chuẩn bị và làm sạch dữ liệu cho học máy
& nbsp;
Danh sách kiểm tra để làm sạch và chuẩn bị dữ liệu (10:30)
& nbsp;
Xử lý các giá trị bị thiếu (lý thuyết) (8:41)
& nbsp;
Xử lý các giá trị bị thiếu - Pandas (Thực tế) (12:42)
& nbsp;
Áp dụng - Hiểu vai trò (3:49)
& nbsp;
Áp dụng - Nói chuyện với nhà tuyển dụng hoặc HR (3:24)
& nbsp;
Áp dụng - Tổng quan về các cuộc phỏng vấn khoa học dữ liệu (3:31)
& nbsp;
Phỏng vấn - Hãy ghi nhớ kết nối của con người: Những cách đơn giản để xây dựng mối quan hệ (2:38)
& nbsp;
Phỏng vấn - Trả lời hiệu quả các câu hỏi mà bạn không biết câu trả lời cho ... (3:44)
& nbsp;
Phỏng vấn - trả lời hiệu quả các câu hỏi về những sai lầm bạn đã mắc ... (2:33)
& nbsp;
Phỏng vấn - Mẹo cho các bài tập về nhà (7:20)
& nbsp;
Phỏng vấn - Mẹo cho các bài kiểm tra mã hóa (6:36)
& nbsp;
Phỏng vấn - Câu hỏi để hỏi (và không hỏi) người phỏng vấn của bạn (2:09)
& nbsp;
Hãy nói về sự từ chối ... (2:38)

& nbsp; Học sâu - Mạng lưới thần kinh nhân tạo Deep Learning - Artificial Neural Networks

& nbsp;
Giới thiệu về mạng lưới thần kinh nhân tạo (20:31)
& nbsp;
Trọng lượng & Xu hướng (17:15)
& nbsp;
Chức năng kích hoạt (23:16)
& nbsp;
Tính toán tổn thất (19:30)
& nbsp;
Giới thiệu về Tuyên truyền trở lại & giảm dần độ dốc (18:56)
& nbsp;
Mối quan hệ giữa các tham số mạng & mất (9:41)
& nbsp;
Kết nối các dấu chấm bằng quy tắc chuỗi (5:20)
& nbsp;
Hãy nói về các công cụ phái sinh (12:49)
& nbsp;
Quy tắc chuỗi - nó hoạt động như thế nào? (7:46)
& nbsp;
Tuyên truyền trở lại - Một ví dụ hoạt động (37:18)
& nbsp;
Ann's - Hãy tóm tắt những gì chúng tôi đã học (4:40)
& nbsp;
Tốt để biết: Toàn cầu so với cực tiểu địa phương (4:04)
& nbsp;
Tốt để biết: Tối ưu hóa (7:02)
& nbsp;
Giới thiệu về Keras (11:31)
& nbsp;
Nhận dữ liệu (4:49)
& nbsp;
Cài đặt & Phiên bản (6:03)
& nbsp;
Dự đoán thành công của người chơi trò chơi video - Phần 1 (Thực tế) (2:45)
& nbsp;
Dự đoán thành công của người chơi trò chơi video - Phần 2 (Thực tế) (12:30)
& nbsp;
Dự đoán thành công của người chơi trò chơi video - Phần 3 (Thực tế) (14:59)
& nbsp;
Dự đoán thành công của người chơi trò chơi video - Phần 4 (Thực tế) (17:47)
& nbsp;
Dự đoán thành công của người chơi trò chơi video - Phần 5 (Thực tế) (10:15)

& nbsp; Học sâu - Mạng lưới thần kinh tích chập Deep Learning - Convolutional Neural Networks

& nbsp;
CNN - Nhiệm vụ của chúng tôi cho cửa hàng tạp hóa ABC (2:26)
& nbsp;
Giới thiệu về mạng lưới thần kinh tích chập (5:22)
& nbsp;
Hình ảnh: Máy tính nhìn thấy gì? (7:11)
& nbsp;
CNN so với Ann (7:15)
& nbsp;
CNN: Những điều cơ bản (11:47)
& nbsp;
Lớp chập (9:04)
& nbsp;
Lớp gộp (9:47)
& nbsp;
Các lớp dày đặc (6:00)
& nbsp;
Dự án phân loại trái cây - Giới thiệu (2:45)
& nbsp;
Dự án phân loại trái cây - Phần 1 (Thực tế) (13:53)
& nbsp;
Dự án phân loại trái cây - Phần 2 (Thực tế) (17:13)
& nbsp;
Dự án phân loại trái cây - Phần 3 (Thực tế) (16:06)
& nbsp;
Dự án phân loại trái cây - Phần 4 (Thực tế) (20:15)
& nbsp;
Dự án phân loại trái cây - Phần 5 (Thực tế) (22:23)
& nbsp;
Đảm nhận quá mức bằng cách sử dụng bỏ học (8:40)
& nbsp;
Dự án phân loại trái cây - bỏ học (thực tế) (15:48)
& nbsp;
Tăng cường hình ảnh (10:21)
& nbsp;
Dự án phân loại trái cây - tăng cường hình ảnh (thực tế) (15:24)
& nbsp;
Học tập (5:33)
& nbsp;
Dự án phân loại trái cây - Học tập chuyển nhượng (Thực tế) (24:22)
& nbsp;
Dự án phân loại trái cây - Bộ điều chỉnh Keras Phần 1 (Thực tế) (18:14)
& nbsp;
Dự án phân loại trái cây - Bộ điều chỉnh Keras Phần 2 (Thực tế) (13:34)
& nbsp;
Dự án phân loại trái cây - Bộ điều chỉnh Keras Phần 3 (Thực tế) (8:27)
& nbsp;
Tốt để biết: bình thường hóa hàng loạt (3:55)
& nbsp;
Thêm dự án được xây dựng sẵn vào danh mục đầu tư của bạn!

& nbsp; Quản trị viên Admin

& nbsp;
Yêu cầu chứng nhận chuyên nghiệp khoa học dữ liệu ** DSI của bạn **
& nbsp;
Trở thành một chi nhánh vô cùng khoa học dữ liệu!

& nbsp; Khoa học dữ liệu Thư viện tài nguyên có thể tải xuống vô cực DATA SCIENCE INFINITY Downloadable Resource Library

& nbsp;
SQL: Giới thiệu về SQL
& nbsp;
SQL: Tham gia (Hướng dẫn cho tất cả các bộ não)
& nbsp;
SQL: thứ tự thực hiện
& nbsp;
SQL: Những gì mong đợi trong các bài kiểm tra SQL
& nbsp;
SQL: 10 câu hỏi & câu trả lời lý thuyết phổ biến
& nbsp;
Python: Phương pháp liệt kê
& nbsp;
Python: Đặt phương thức
& nbsp;
Python: Phương pháp từ điển
& nbsp;
Python: Giới thiệu về Numpy
& nbsp;
Thống kê: Bốn loại dữ liệu
& nbsp;
Thống kê: Phân phối thống kê chung
& nbsp;
Thống kê: Các bài kiểm tra giả thuyết phổ biến
& nbsp;
Thống kê: Định lý giới hạn trung tâm
& nbsp;
Học máy: AI so với ML so với DL so với DS
& nbsp;
Học máy: Học tập có giám sát so với học tập không giám sát
& nbsp;
Học máy: Chuẩn bị và làm sạch dữ liệu
& nbsp;
Học máy: Đánh giá độ chính xác phân loại
& nbsp;
Học máy: Phân tích thành phần chính
& nbsp;
Học máy: Hồi quy tuyến tính
& nbsp;
Học máy: K-MEANS
& nbsp;
Học máy: Chính xác so với nhớ lại
& nbsp;
Học sâu: Chức năng kích hoạt
& nbsp;
Sự nghiệp: 5 Hội chứng Imquer Imposter trong Khoa học dữ liệu
& nbsp;
Sự nghiệp: 5 Hội chứng Imquer Imposter trong Khoa học dữ liệu
& nbsp;
Sự nghiệp: 5 Hội chứng Imquer Imposter trong Khoa học dữ liệu

Nghề nghiệp: 13 câu hỏi cho các dự án khoa học dữ liệu thành công Other Resources

& nbsp;
Sự nghiệp: 5 Hội chứng Imquer Imposter trong Khoa học dữ liệu
& nbsp;
Sự nghiệp: 5 Hội chứng Imquer Imposter trong Khoa học dữ liệu
& nbsp;
Nghề nghiệp: 13 câu hỏi cho các dự án khoa học dữ liệu thành công

GitHub có tốt cho khoa học dữ liệu không?

GitHub có thể giúp các nhà khoa học dữ liệu với vòng đời khoa học dữ liệu đầu cuối đầy đủ của họ, khi họ theo dõi và phiên bản kiểm soát cả dữ liệu và mã, tái tạo các thí nghiệm, hợp tác hiệu quả với các thành viên trong nhóm và triển khai các mô hình để sản xuất., as they track and version control both data and code, reproduce experiments, collaborate effectively with their team members, and deploy models to production.

Python có tốt cho khoa học dữ liệu không?

Python là nguồn mở, được giải thích, ngôn ngữ cấp cao và cung cấp cách tiếp cận tuyệt vời cho lập trình hướng đối tượng. Đây là một trong những ngôn ngữ tốt nhất được sử dụng bởi nhà khoa học dữ liệu cho các dự án/ứng dụng khoa học dữ liệu khác nhau. Python cung cấp chức năng tuyệt vời để đối phó với toán học, thống kê và chức năng khoa học.It is one of the best language used by data scientist for various data science projects/application. Python provide great functionality to deal with mathematics, statistics and scientific function.

Là Sổ tay Khoa học Dữ liệu Python cho người mới bắt đầu?

Rất hữu ích cho sinh viên khoa học dữ liệu nhưng cuốn sách này không dành cho Python nói chung hoặc cho những người muốn học Python ngay từ đầu. Cuốn sách này được xây dựng dựa trên những điều cơ bản của Python - Ipython, sử dụng Jupyter, Numpy, Pandas và Matplotlib và với kiến thức đó thảo luận về một số mô hình ML quan trọng.this book is not for general Python or for those who want to learn Python from the beginning. This book builds upon python basics - ipython, using Jupyter, numpy, pandas and matplotlib and with that knowledge discusses some important ML models.