#data-science Repositories
Insgesamt 688 Repositories
1 Zeile Code für Datenqualitäts-Profiling & explorative Datenanalyse für Pandas- und Spark-DataFrames.
Offizielles Repository von Trino, dem verteilten SQL-Abfrage-Engine für Big Data, ehemals bekannt als PrestoSQL (https://trino.io)
Das Code-Repository und Informationsressource für das Buch "Python Machine Learning (1. Auflage)"
Künstliche Intelligenz Lernkarte, Zusammenstellung von fast 200 praktischen Fällen und Projekten, kostenlose Begleitbücher, Einstieg ohne Vorkenntnisse, berufliche Praxis! Enthalten: Python, Mathematik, Machine Learning, Data-Analyse, Deep Learning, Computer Vision, Natural Language Processing, PyTorch, tensorflow, machine-learning, deep-learning, data-analysis, data-mining, mathematics, data-science, artificial-intelligence, python, tensorflow, tensorflow2, caffe, keras, pytorch, algorithm, numpy, pandas, matplotlib, seaborn, nlp, cv usw. beliebte Bereiche
OpenRefine ist ein kostenloses, Open-Source-Powertool zur Bearbeitung unordentlicher Daten und deren Verbesserung
Umfangreicher MySQL-Terminal-Client mit Autovervollständigung, Syntaxhervorhebung und Dataframes
Low-Code-Framework zum Erstellen benutzerdefinierter LLMs, neuronaler Netze und anderer KI-Modelle
Cleanlab's Open-Source-Bibliothek ist das Standard-Data-Centric-AI-Paket für Datenqualität und maschinelles Lernen mit unordentlichen, realen Daten und Labels.
Die AI-Entwicklerplattform. Verwenden Sie Weights & Biases, um Modelle zu trainieren und feinabzustimmen und Modelle von der Experimentierphase bis zur Produktion zu verwalten.
Layoutbewusste Dokument-Engine für KI und ein funktionsreiches Python-Toolkit zum Extrahieren, Rendern und Bearbeiten von PDFs und anderen Dokumenten. Seit Version 2.0 wandelt die ML-basierte Layoutanalyse PDFs und Office-Dateien in hochwertiges Markdown für RAG und Agenten um, läuft schnell auf der CPU und ordnet jedes Ergebnis seiner Quellseite zu.
Beispiel-📓 Jupyter-Notebooks, die zeigen, wie man Machine-Learning-Modelle mit 🧠 Amazon SageMaker erstellt, trainiert und bereitstellt.
Kostenloses Online-Lehrbuch mit Jupyter-Notebooks für den fast.ai-Kurs Computational Linear Algebra
Tutorials, Aufgaben und Wettbewerbe für Kurse im Zusammenhang mit MIT Deep Learning.
Modin: Skalieren Sie Ihre Pandas-Workflows, indem Sie nur eine Codezeile ändern
Fragen und Antworten zum Thema Data Science im Vorstellungsgespräch
Eine logische, vernünftig standardisierte, aber flexible Projektstruktur für die Durchführung und das Teilen von Data-Science-Arbeiten.
Eine Python-Bibliothek zur Anomalieerkennung in tabellarischen Daten, Zeitreihen, Graphen, Texten, Bildern und Audiodaten. Enthält über 60 Detektoren, eine benchmark-gestützte ADEngine-Orchestrierung und einen agentenbasierten Workflow für KI-Agenten.
Ein Python-basiertes Automated-Machine-Learning-Tool, das Machine-Learning-Pipelines mit genetischer Programmierung optimiert.
Die Research-Engine, die dir einen unfairen Vorteil verschafft. Teste Tausende von Trading-Ideen, bevor andere mit einer einzigen fertig sind.
Open-Source, Low-Code-AutoML-Plattform für Python. PyCaret 4.0: sklearn-nativer Engine + React-Steuerungsebene.
Best Practices, Code-Beispiele und Dokumentation für Computer Vision.
Eine Python-Bibliothek für benutzerfreundliche Prognosen und Anomalieerkennung in Zeitreihen.
XGo ist eine Programmiersprache, die sich wie einfaches Englisch liest. Sie ist jedoch auch unglaublich leistungsstark – sie ermöglicht es Ihnen, Assets aus C/C++, Go, Python und JavaScript/TypeScript zu nutzen und so ein vereinheitlichtes Software-Engineering-Ökosystem zu schaffen. Unsere Vision ist es, jedem zu ermöglichen, ein Gestalter der Welt zu werden.
Eine schnelle, skalierbare, hochperformante Gradient Boosting on Decision Trees Bibliothek, die für Ranking, Klassifikation, Regression und andere Machine-Learning-Aufgaben für Python, R, Java, C++ verwendet wird. Unterstützt Berechnungen auf CPU und GPU.
Eine Sammlung von Beispielen und Tutorials zum maschinellen Lernen.
🧙 Erstellen, ausführen und verwalten Sie Datenpipelines für die Datenintegration und -transformation.
Eine leichte, cloud-native GIS-Plattform zur Visualisierung, Erkundung und Analyse von Geodaten. Sie läuft im Webbrowser, auf dem Desktop, auf Mobilgeräten und in Jupyter-Notebooks.
[SIGMOD'27] Einfache Datenaufbereitung mit den neuesten LLM-basierten Operatoren und Pipelines.
Out-of-Core Hybrid-Apache-Arrow/NumPy-DataFrame für Python, ML, Visualisierung und Exploration großer tabellarischer Daten mit einer Milliarde Zeilen pro Sekunde 🚀
DoWhy ist eine Python-Bibliothek für kausale Inferenz, die die explizite Modellierung und Überprüfung kausaler Annahmen unterstützt. DoWhy basiert auf einer einheitlichen Sprache für kausale Inferenz, die kausale grafische Modelle und potenzielle Ergebnisrahmenwerk kombiniert.
Abschied vom Langweiligen, widmet sich der Erstellung praktischer kleiner Python-Beispiele. Mehr gewissenhafte Python-Tutorials unter https://ai-jupyter.com
Evidently ist ein Open-Source-Framework für ML- und LLM-Observability. Bewerten, testen und überwachen Sie jedes KI-gestützte System oder jede Datenpipeline. Von tabellarischen Daten bis zu Gen AI. Über 100 Metriken.
Buch_3_《Mathematische Elemente》 | Die Iris-Buch: Von Arithmetik bis maschinelles Lernen; Online gestellt; Willkommen zu weiteren Korrekturen, Studenten mit vielen Korrekturen erhalten auch Buchgeschenke!