#jupyter-notebook Repositorios
Descubre 174 repositorios activos de código abierto de GitHub etiquetados con #jupyter-notebook, que acumulan 887,335 estrellas en total (una media de 5,099 estrellas por proyecto). El líder de este tema es jackfrued/Python-100-Days, con 187,961 estrellas.
174 repositorios en total
Python Data Science Handbook: texto completo en Jupyter Notebooks
aka "Bayesian Methods for Hackers": Una introducción a los métodos bayesianos + programación probabilística con un enfoque primero en cómputo/comprensión, segundo en matemáticas. Todo en Python puro ;)
⛔️ DEPRECADO – Ver https://github.com/ageron/handson-ml3 o handson-mlp en su lugar.
Materiales y cuadernos IPython para "Python for Data Analysis" de Wes McKinney, publicado por O'Reilly Media
🤖 Ejemplos en Python de algoritmos populares de machine learning con demostraciones interactivas en Jupyter y matemáticas explicadas
✅(Completado) Notas súper completas de aprendizaje profundo 【Tuduī PyTorch】【Li Mu Aprende Deep Learning con Manos】【Andrew Ng Deep Learning】【Dafei Grandes Modelos Agent】
Libro del filtro de Kalman usando Jupyter Notebook. Se enfoca en construir intuición y experiencia, no en pruebas formales. Incluye filtros de Kalman, filtros de Kalman extendidos, filtros de Kalman sin perfume, filtros de partículas y más. Todos los ejercicios incluyen soluciones.
Una red neuronal que transforma un mock-up de diseño en un sitio web estático.
¡Dibuja bonitos mapas a partir de datos de OpenStreetMap! Construido con osmnx +matplotlib + shapely
Perfilado de calidad de datos & análisis exploratorio de datos con 1 línea de código para DataFrames de Pandas y Spark.
¡Sumérgete en este repositorio, un recurso completo que cubre Estructuras de Datos, Algoritmos, 450 DSA de Love Babbar, Hoja DSA de Striver, Hoja DSA de Apna College y Preguntas FAANG! 🚀 ¡Eso no es todo! Tenemos materias técnicas como Sistemas Operativos, DBMS, SQL, Redes de Computadoras y Programación Orientada a Objetos, todas esperándote.
Cuadernos de Jupyter 📓 de ejemplo que demuestran cómo construir, entrenar e implementar modelos de aprendizaje automático usando 🧠 Amazon SageMaker.
Mejores prácticas, muestras de código y documentación para Computer Vision.
Imágenes de Docker listas para ejecutar que contienen aplicaciones de Jupyter
Evidently es un framework de código abierto para la observabilidad de ML y LLM. Evalúe, pruebe y monitoree cualquier sistema impulsado por IA o pipeline de datos. Desde datos tabulares hasta Gen AI. Más de 100 métricas.
Cuadernos y código para el libro "Introduction to Machine Learning with Python"
Una lista curada de notebooks y bibliotecas de machine learning aplicado y data science en diferentes industrias (por @firmai)
Repositorio para almacenar programas de ejemplo en Python para el aprendizaje de Python
Stock AI Trader: plataforma integral para aprender, hacer trading simulado y operar en vivo. Incluye fundamentos bursátiles, estrategias, modelos de lenguaje de gran escala, minería de factores, aprendizaje automático/profundo/por refuerzo, redes neuronales de grafos, trading de alta frecuencia, implementación en C++ y código de JoinQuant.
Biblioteca de Python para convertir cálculos de Python en LaTeX renderizado.
Una colección de varias extensiones de notebook para Jupyter
Sutskever 30 implementaciones inspiradas en https://papercode.vercel.app/ | Para Agents, usa https://github.com/pageman/Sutskever-Agent | Versión Políglota / Multi-Backend en https://github.com/pageman/sutskever-30-beyond-numpy
Una lista curada de increíbles proyectos, bibliotecas y recursos de Jupyter
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.
Impresiona a tu jefe y convierte un cuaderno de Jupyter en una aplicación web hermosa y compartible, sin callbacks, sin frontend, sin reescritura.
Showcase de IA generativa de MongoDB: una colección exhaustiva de ejemplos y aplicaciones de muestra que abarca la generación aumentada por recuperación (RAG), los agentes de IA y casos de uso específicos de cada industria.
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.
Synapsa Commons: cursos gratuitos y prácticos de IA que funcionan en cualquier entorno (Colab, Kaggle, Binder, Codespaces, Jupyter). Evidencias de conformidad con la Ley de IA de la UE, validación de modelos, mantenimiento predictivo, extracción de documentos, recuperación y RAG, agentes de IA y MCP, y un humanoide simulado. Cada lección se califica automáticamente. Del equipo que está construyendo Synapsa.
Una secuencia de notebooks de Jupyter que presentan los "12 Pasos hacia Navier-Stokes" http://lorenabarba.com/
Un paquete de Python para mapeo interactivo y análisis geoespacial con codificación mínima en un entorno Jupyter
Preguntas frecuentes
¿Cuál es el repositorio de #jupyter-notebook más popular en GitHub?
El proyecto de código abierto de #jupyter-notebook mejor posicionado en GitHub es jackfrued/Python-100-Days, con 187,961 estrellas. Python - 100 días de principiante a maestro
¿Qué lenguajes de programación se utilizan más en los repositorios de #jupyter-notebook?
Entre los proyectos de #jupyter-notebook mejor posicionados en GitHub, los lenguajes de programación más comunes son Jupyter Notebook, Python, HTML, TypeScript.
¿Cómo se calcula la clasificación de los repositorios de #jupyter-notebook?
Seguimos 174 repositorios activos de código abierto etiquetados con #jupyter-notebook (500+ estrellas), que suman un total de 887,335 estrellas, con una media de 5,099 estrellas por repositorio. Las clasificaciones se actualizan diariamente a partir de la API de GitHub.