#jupyter-notebook Repositories
Entdecke 174 aktive Open-Source-GitHub-Repositories, die mit #jupyter-notebook getaggt sind und insgesamt 887,335 Sterne gesammelt haben (durchschnittlich 5,099 Sterne pro Projekt). Spitzenreiter in diesem Themenbereich ist jackfrued/Python-100-Days mit 187,961 Sternen.
Insgesamt 174 Repositories
aka "Bayesian Methods for Hackers": Eine Einführung in bayessche Methoden + probabilistische Programmierung mit einem computation/understanding-first, mathematics-second Standpunkt. Alles in reinem Python ;)
⛔️ VERSCHOBEN/VERALTET – Siehe https://github.com/ageron/handson-ml3 oder handson-mlp stattdessen.
Materialien und IPython-Notebooks für "Python for Data Analysis" von Wes McKinney, veröffentlicht von O'Reilly Media
🤖 Python-Beispiele für beliebte Machine-Learning-Algorithmen mit interaktiven Jupyter-Demos und erklärter Mathematik
✅(Abgeschlossen) Super umfassende Deep-Learning-Notizen 【Tuduī PyTorch】【Li Mu Praktisches Deep Learning】【Andrew Ng Deep Learning】【Dafei Große Modelle Agent】
Kalman-Filter-Buch mit Jupyter Notebook. Konzentriert sich auf den Aufbau von Intuition und Erfahrung, nicht auf formale Beweise. Enthält Kalman-Filter, erweiterte Kalman-Filter, unscented Kalman-Filter, Partikelfilter und mehr. Alle Übungen enthalten Lösungen.
Ein neuronales Netzwerk, das ein Design-Mock-up in eine statische Website umwandelt.
Zeichnen Sie hübsche Karten aus OpenStreetMap-Daten! Gebaut mit osmnx +matplotlib + shapely
1 Zeile Code für Datenqualitäts-Profiling & explorative Datenanalyse für Pandas- und Spark-DataFrames.
Tauchen Sie ein in dieses Repository, eine umfassende Ressource zu Datenstrukturen, Algorithmen, 450 DSA von Love Babbar, Striver DSA Sheet, Apna College DSA Sheet und FAANG-Fragen! 🚀 Das ist noch nicht alles! Wir haben technische Fächer wie Betriebssysteme, DBMS, SQL, Computernetzwerke und objektorientierte Programmierung, die alle auf Sie warten.
Beispiel-📓 Jupyter-Notebooks, die zeigen, wie man Machine-Learning-Modelle mit 🧠 Amazon SageMaker erstellt, trainiert und bereitstellt.
Best Practices, Code-Beispiele und Dokumentation für Computer Vision.
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.
Notebooks und Code für das Buch "Introduction to Machine Learning with Python"
Eine kuratierte Liste von Notebooks und Bibliotheken für angewandtes Machine Learning und Data Science in verschiedenen Branchen (von @firmai)
Stock AI Trader: eine Komplettplattform zum Lernen sowie für simulierten und Live-Handel. Behandelt werden Aktiengrundlagen, Strategien, große Sprachmodelle, Faktormining, maschinelles Lernen/Deep Learning/Reinforcement Learning, Graphennetzwerke, Hochfrequenzhandel, C++-Deployment und JoinQuant-Code.
Python-Bibliothek zur Konvertierung von Python-Berechnungen in gerendertes LaTeX.
Eine Sammlung verschiedener Notebook-Erweiterungen für Jupyter
Sutskever 30 Implementierungen inspiriert von https://papercode.vercel.app/ | Für Agents, verwenden Sie https://github.com/pageman/Sutskever-Agent | Polyglotte / Multi-Backend-Version unter https://github.com/pageman/sutskever-30-beyond-numpy
Eine kuratierte Liste toller Jupyter-Projekte, Bibliotheken und Ressourcen
Grundlagen des maschinellen Lernens: Lineare Algebra, Analysis, Statistik & Informatik
Eine schnelle Bibliothek für AutoML und Tuning. Treten Sie unserem Discord bei: https://discord.gg/Cppx2vSPVP.
Beeindrucken Sie Ihren Chef und verwandeln Sie ein Jupyter-Notebook in eine schöne, teilbare Web-App — ohne Callbacks, ohne Frontend, ohne Neuschreiben.
Showcase für generative KI von MongoDB: eine umfassende Sammlung von Beispielen und Beispielanwendungen zu Retrieval-Augmented Generation (RAG), KI-Agenten und branchenspezifischen Anwendungsfällen.
Ein Python-Paket für interaktive Geodatenanalyse und Visualisierung mit Google Earth Engine.
Deepchecks: Tests für die kontinuierliche Validierung von ML-Modellen & Daten. Deepchecks ist eine ganzheitliche Open-Source-Lösung für all Ihre Anforderungen an die KI- & ML-Validierung, mit der Sie Ihre Daten und Modelle von der Forschung bis zur Produktion gründlich testen können.
Synapsa Commons: kostenlose, praxisorientierte KI-Kurse, die überall ausgeführt werden können (Colab, Kaggle, Binder, Codespaces, Jupyter). Konformitätsnachweise gemäß dem EU-KI-Gesetz, Modellvalidierung, vorausschauende Wartung, Dokumentenextraktion, Retrieval und RAG, KI-Agenten und MCP sowie ein simuliertes humanoides Wesen. Jede Lektion wird automatisch bewertet. Vom Team hinter Synapsa.
Eine Reihe von Jupyter-Notebooks, die die "12 Schritte zu Navier-Stokes" http://lorenabarba.com/ vorstellen
Ein Python-Paket für interaktives Mapping und Geodatenanalyse mit minimalem Programmieraufwand in einer Jupyter-Umgebung
Häufig gestellte Fragen
Welches ist das beliebteste #jupyter-notebook-Repository auf GitHub?
Das am höchsten eingestufte Open-Source-#jupyter-notebook-Projekt auf GitHub ist jackfrued/Python-100-Days mit 187,961 Sternen. Python - 100 Tage vom Anfänger zum Meister
Welche Programmiersprachen werden in #jupyter-notebook-Repositories am häufigsten verwendet?
Unter den am höchsten eingestuften #jupyter-notebook-Projekten auf GitHub sind Jupyter Notebook, Python, HTML, TypeScript die am häufigsten verwendeten Programmiersprachen.
Wie wird das Ranking der #jupyter-notebook-Repositories berechnet?
Wir verfolgen 174 aktive Open-Source-Repositories, die mit #jupyter-notebook getaggt sind (500+ Sterne), mit insgesamt 887,335 Sternen und durchschnittlich 5,099 Sternen pro Repository. Die Rankings werden täglich über die GitHub-API aktualisiert.