#data-science Repositorios
688 repositorios en total
Matplot++: Una biblioteca gráfica de C++ para la visualización de datos 📊🗾
Creo que ustedes, los estudiantes de posgrado y los que buscan empleo para quienes el libro está destinado principalmente, se beneficiarán de su lectura; sin embargo, espero que incluso los investigadores más experimentados lo encuentren fascinante.
Un lenguaje de programación probabilístico en TensorFlow. Modelos generativos profundos, inferencia variacional.
DeepAnalyze es el primer LLM agéntico para la ciencia de datos autónoma. 🎈 ¡Tu analista de datos de IA que analiza automáticamente grandes cantidades de datos y genera informes de análisis profesionales con un solo clic!
Minería de datos, Visión por computadora, Procesamiento del lenguaje natural, Conocimiento en competencias de sistemas de recomendación, Código, Ideas
Una lista curada de increíbles proyectos, bibliotecas y recursos de Jupyter
🕵 Inteligencia artificial para el control social de la administración pública | **Este repositorio no recibe actualizaciones frecuentes. Consulta la README**
Fundamentos de Aprendizaje Automático: Álgebra Lineal, Cálculo, Estadística e Informática
Una biblioteca rápida para AutoML y tuning. Únete a nuestro Discord: https://discord.gg/Cppx2vSPVP.
Cuadernos de Python con ejemplos de ML y aprendizaje profundo con Azure Machine Learning Python SDK | Microsoft
⚡️SwanLab - una herramienta de visualización y seguimiento de entrenamiento de IA de código abierto y diseño moderno. Compatible con uso en la nube / autoalojado. Integrado con PyTorch / Transformers / verl / LLaMA Factory / ms-swift / Ultralytics / MMEngine / Keras, etc.
Kit de herramientas de Python para finanzas cuantitativas: análisis de acciones, indicadores técnicos, backtesting de estrategias, optimización de carteras y modelado financiero.
Impresiona a tu jefe y convierte un cuaderno de Jupyter en una aplicación web hermosa y compartible, sin callbacks, sin frontend, sin reescritura.
Una Colección de Cheatsheets, Libros, Preguntas y Portfolio Para la Preparación de Entrevistas DS/ML
Este proyecto reproduce el libro Dive Into Deep Learning (https://d2l.ai/), adaptando el código de MXNet a PyTorch.
Conviértete en un experto en Inteligencia Artificial, Machine Learning, IA Generativa, Deep Learning, Data Science, Procesamiento del Lenguaje Natural, Aprendizaje por Refuerzo y más con este repositorio completo de 0 a 100.
STUMPY es una biblioteca de Python potente y escalable para el análisis de series temporales modernas
Colección de temas útiles de ciencia de datos junto con artículos, videos y código
pandas en AWS - Integración fácil con Athena, Glue, Redshift, Timestream, Neptune, OpenSearch, QuickSight, Chime, CloudWatchLogs, DynamoDB, EMR, SecretManager, PostgreSQL, MySQL, SQLServer y S3 (Parquet, CSV, JSON y EXCEL).
Una lista curada de recursos increíbles de aprendizaje automático responsable.
Un paquete de Python para análisis y visualización geoespacial interactiva con Google Earth Engine.
Deepchecks: Pruebas para la Validación Continua de Modelos y Datos de ML. Deepchecks es una solución holística de código abierto para todas sus necesidades de validación de IA y ML, que le permite probar exhaustivamente sus datos y modelos desde la investigación hasta la producción.
Una lista impresionante de eventos y oportunidades de fellowships para estudiantes de Ciencias de la Computación
:atom: Ejecuta código de forma interactiva, inspecciona datos y crea gráficos. Todo el poder de los kernels de Jupyter, dentro de tu editor de texto favorito.
🙌 ¡Bienvenido a las contribuciones de mini-proyectos de Python de código abierto!
Un marco para recopilar y analizar datos de mercado de predicción, que incluye el conjunto de datos público más grande disponible sobre los mercados y transacciones de Polymarket y Kalshi.
Respuestas a 120 preguntas comunes de entrevistas de data science.
Un paquete de Python para mapeo interactivo y análisis geoespacial con codificación mínima en un entorno Jupyter
[NeurIPS 2026] DataFlex: Un punto de referencia y una plataforma de evaluación unificados para el entrenamiento de modelos de lenguaje de gran tamaño centrado en los datos
"Las matemáticas no son difíciles" - "Álgebra lineal no es difícil", volúmenes 1 y 2, 66 temas completados; bienvenidos a críticas y correcciones.