#data-science Repositories
Insgesamt 688 Repositories
Wahrscheinlich die beste kuratierte Liste von Data-Science-Software in Python.
Python-Bibliothek, die es Datenwissenschaftlern einfach macht, Diagramme zu erstellen.
🔨 🍇 💻 🚀 GraphScope: Ein umfassendes System für groß angelegte Graphberechnungen von Alibaba | Ein umfassendes System für Graphberechnungen
Alle Kursmaterialien für den Zero to Mastery Machine Learning and Data Science Kurs.
🛠 All-in-one webbasiertes IDE, spezialisiert auf Machine Learning und Data Science.
Kausale Inferenz für die Mutigen und Wahrhaftigen. Ein unbeschwerter, aber dennoch rigoroser Ansatz, um etwas über Erfolgsschätzung und Kausalität zu lernen.
:earth_americas: Machine-Learning-Tutorials (hauptsächlich in Python3)
Debugging, Überwachung und Visualisierung für Python Machine Learning und Data Science
Buch_7_《Maschinelles Lernen》 | Der Iris Data Set: Von Addition und Subtraktion bis Maschinelles Lernen; Kritik und Korrekturen sind willkommen.
Dieses Repository ist eine kuratierte Sammlung praxisnaher Data-Science-Projekte, die speziell für Anfänger zugeschnitten sind. Ob Sie gerade erst mit Data Science beginnen oder Ihre Fähigkeiten stärken möchten, diese Projekte bieten einen praktischen und interaktiven Weg, um Ihr Wissen anzuwenden.
Python-Paket für AutoML auf tabellarischen Daten mit Feature Engineering, Hyperparameter-Tuning, Erklärungen und automatischer Dokumentation
Erfahren Sie, wie Sie produktionsreife ML-Anwendungen entwerfen, entwickeln, bereitstellen und iterieren.
Ein Repository, das potenzielle Quellen auflistet, die Ihnen bei der Vorbereitung auf ein Data Science/Machine Learning Interview helfen. Neue Ressourcen werden häufig hinzugefügt.
Determined ist eine Open-Source-Plattform für maschinelles Lernen, die verteiltes Training, Hyperparameter-Tuning, Experimentverfolgung und Ressourcenmanagement vereinfacht. Funktioniert mit PyTorch und TensorFlow.
.NET Interactive kombiniert die Power von .NET mit vielen anderen Sprachen, um Notebooks, REPLs und eingebettete Coding-Erlebnisse zu erstellen. Teilen Sie Code, erkunden Sie Daten, schreiben und lernen Sie in Ihren Apps auf Weisen, die Sie zuvor nicht konnten.
Eine Python-Bibliothek für die Visualisierung von Entscheidungsbäumen und die Modellinterpretation.
Sorgfältig kuratierte Ressourcenlinks für Data Science an einem Ort
ein hervorragendes Machine-Learning-Tool, mit dem Sie Modelle trainieren, testen und verwenden können, ohne Code zu schreiben
Visualisieren und vergleichen Sie Datensätze, Zielwerte und Assoziationen mit einer einzigen Codezeile.
Deepnote ist ein direkter Ersatz für Jupyter mit einem KI-zentrierten Design, einer eleganten Benutzeroberfläche, neuen Blöcken und nativen Datenintegrationen. Nutzen Sie Python, R und SQL lokal in Ihrer bevorzugten IDE und skalieren Sie dann zur Deepnote Cloud für Echtzeit-Zusammenarbeit, den Deepnote Agent und bereitstellbare Datenanwendungen. https://deepnote.com/
C++ DataFrame für statistische, finanzielle und ML-Analysen in modernem C++
Eine Liste öffentlich verfügbarer Datensätze mit Echtzeitdaten, die vom Team bei bytewax.io gepflegt werden
Eine Bibliothek zum Debuggen/Inspektieren von Machine-Learning-Klassifikatoren und Erklären ihrer Vorhersagen
Eine Open-Source-Datenprotokollierungsbibliothek für maschinelle Lernmodelle und Datenpipelines. 📚 Bietet Einblicke in Datenqualität und Modellleistung im Laufe der Zeit. 🛡️ Unterstützt datenschutzfreundliche Datenerfassung, um Sicherheit und Robustheit zu gewährleisten. 📈
📊⚽ Eine Sammlung von Fußballanalyseprojekten, Daten und Analysen von Edd Webster (@eddwebster), einschließlich einer kuratierten Liste öffentlich verfügbarer Ressourcen, die von der Fußballanalyse-Community veröffentlicht wurden.
Buch_6_"Der Weg der Daten" | Iris Buch: Von Addition, Subtraktion, Multiplikation und Division bis hin zu maschinellem Lernen; wir freuen uns über Kritik und Korrekturen! Studenten, die viele Fehler korrigieren, erhalten ein Exemplar des Buches als Dankeschön!
Feather: schneller, interoperabler Speicher für binäre Datenrahmen für Python, R und mehr, basierend auf Apache Arrow
ArcticDB ist eine hochleistungsfähige, serverlose DataFrame-Datenbank, die für das Python Data Science-Ökosystem entwickelt wurde.
Jupyter-Erweiterungen, die Ihnen helfen, Code schneller zu schreiben: Kontextbezogene KI-Unterhaltung, Autovervollständigung und Tabellenkalkulation
Python-Client für Supabase. Abfragen von Postgres mit Flask, Django und FastAPI. Python-Benutzerauthentifizierung, Sicherheitsrichtlinien, Edge-Funktionen, Dateispeicherung und Echtzeit-Datenstreaming.
Apache Hamilton hilft Datenwissenschaftlern und Ingenieuren, testbare, modulare, selbstdokumentierende Datenflüsse zu definieren, die Abstammung/Rückverfolgung und Metadaten kodieren. Läuft und skaliert überall dort, wo Python läuft.
Schnelle, genaue und skalierbare probabilistische Datenverknüpfung mit Unterstützung für mehrere SQL-Backends