#jupyter Repositories
Insgesamt 150 Repositories
Eine Jupyter-Notebook-Servererweiterung, die Konfigurationsschnittstellen für Nbextensions bereitstellt.
Erstellen Sie mit einer einfachen Python-Syntax animierte Diagramme in Jupyter Notebook und ähnlichen Umgebungen.
Eine IPython-Magic-Erweiterung zum Drucken von Datums- und Zeitstempeln, Versionsnummern und Hardwareinformationen
Produzieren und planen Sie Ihre Jupyter Notebooks so einfach, wie Sie sie geschrieben haben.
Digitale Signalverarbeitung - Theorie und Rechenbeispiele
Open-Source, plattformübergreifende symbolische Algebra-Bibliothek für C# und F#. Kann sowohl für Produktions- als auch für Forschungszwecke verwendet werden.
Bibliothek, die Jupyter Notebooks erweitert, um mit Apache TinkerPop, openCypher und RDF SPARQL zu integrieren.
Eine kuratierte Liste praktischer Anwendungen von Business Machine Learning (BML) und Business Data Science (BDS) für Buchhaltung, Kunden, Mitarbeiter, Recht, Management und Betrieb (von @firmai)
GPU-Jupyter: Ihr GPU-beschleunigtes JupyterLab mit einem reichen Data-Science-Toolstack, TensorFlow und PyTorch für Ihre reproduzierbaren Deep-Learning-Experimente.
Framework zum Erstellen einer benutzerdefinierten No-Code-Plattform. Kommt mit einer Flow-Based-Programmierumgebung und einer grafischen Benutzeroberfläche.
Fügt Variablen zum Python-Traceback hinzu. Einfach, leichtgewichtig, steuerbar. Passen Sie Formate und Farben an. Debuggen Sie die Gründe für Ausnahmen, indem Sie Variablenkontexte für jeden Frame in einem Stacktrace protokollieren oder schön drucken, wobei jeder Wert angezeigt wird. Geben Sie lokale Umgebungen nach Fehlern an Konsole, Dateien und Logger aus. Funktioniert auch in Jupyter.
Fabric for Deep Learning (FfDL, ausgesprochen fiddle) ist eine Deep-Learning-Plattform, die TensorFlow, Caffe, PyTorch usw. als Service auf Kubernetes anbietet.
Buckaroo – Die Benutzeroberfläche der Datentabelle für Notebooks. Durchsuchen Sie DataFrames schnell, scrollen Sie durch DataFrames, suchen, sortieren, zeigen Sie Statistikzusammenfassungen und Histogramme an. Funktioniert mit Pandas, Polars, Jupyter, Marimo, VSCode Notebooks.
Ein leichtgewichtiger, mandantenfähiger, skalierbarer und sicherer Gateway, der es Jupyter Notebooks ermöglicht, Ressourcen über verteilte Cluster wie Apache Spark, Kubernetes und andere zu teilen.
Codebeispiele für das Buch mit dem Titel Einführung in die GIS-Programmierung
Eine elegante Python-Schnittstelle für die Visualisierung auf der Webplattform, um interaktiv Einblicke in multidimensionale Bilder, Punktewolken und Geometrie zu gewinnen.
Der Backend—d. h. Kernservices, APIs und REST-Endpunkte—zu Jupyter-Web-Anwendungen.
Ein-Klick-Reparatur- und Installationsskripte (Reparatur von Linux-Systemen und Installationsskripte für Serverumgebungen)
Lernen Sie Apache Spark in Scala, Python (PySpark) und R (SparkR), indem Sie Ihren eigenen Cluster mit einer JupyterLab-Oberfläche auf Docker erstellen. :zap:
Jedes Kapitel dieses (Mini-)Buchs führt Sie durch die Programmierung einer wichtigen Softwarekomponente für das automatisierte Fahren.