#data-science Dépôts
688 dépôts au total
Matplot++: Une bibliothèque graphique C++ pour la visualisation de données 📊🗾
Je suis convaincu que vous, les étudiants diplômés et les chercheurs d'emploi pour qui ce livre est principalement destiné, en bénéficierez ; cependant, j'espère que même les chercheurs les plus expérimentés le trouveront fascinant également.
Un langage de programmation probabiliste dans TensorFlow. Modèles génératifs profonds, inférence variationnelle.
DeepAnalyze est le premier LLM agentique pour la science des données autonome. 🎈 Votre analyste de données IA qui analyse automatiquement de grandes quantités de données et génère des rapports d'analyse professionnels en un seul clic !
Fouille de données, Vision par ordinateur, Traitement automatique du langage naturel, Connaissances en compétitions de systèmes de recommandation, Code, Idées
Une liste curatée de projets Jupyter formidables, bibliothèques et ressources
🕵 Intelligence artificielle pour le contrôle social de l'administration publique | **Ce dépôt ne reçoit pas de mises à jour fréquentes. Consultez le README**
Fondements de l'apprentissage automatique : Algèbre linéaire, Calcul, Statistiques et informatique
Une bibliothèque rapide pour AutoML et le réglage. Rejoignez notre Discord : https://discord.gg/Cppx2vSPVP.
Notebooks Python avec exemples de ML et d'apprentissage profond avec Azure Machine Learning Python SDK | Microsoft
⚡️SwanLab - un outil open-source de suivi et de visualisation de l'entraînement IA au design moderne. Prend en charge l'utilisation en Cloud / auto-hébergé. Intégré avec PyTorch / Transformers / verl / LLaMA Factory / ms-swift / Ultralytics / MMEngine / Keras, etc.
Boîte à outils Python pour la finance quantitative : analyse d'actions, indicateurs techniques, backtesting de stratégies, optimisation de portefeuille et modélisation financière.
Impressionnez votre patron et transformez un notebook Jupyter en une application web magnifique et partageable — sans callbacks, sans frontend, sans réécriture.
Une Collection de Cheatsheets, Livres, Questions et Portfolio Pour la Préparation d'Entretien DS/ML
Ce projet reproduit le livre Dive Into Deep Learning (https://d2l.ai/), en adaptant le code de MXNet vers PyTorch.
Devenez compétent en Intelligence Artificielle, Machine Learning, IA Générative, Deep Learning, Science des Données, Traitement du Langage Naturel, Apprentissage par Renforcement et plus encore avec ce dépôt complet de 0 à 100.
STUMPY est une bibliothèque Python puissante et scalable pour l'analyse de séries temporelles modernes
Collection de sujets utiles en science des données avec des articles, des vidéos et du code
pandas sur AWS - Intégration facile avec Athena, Glue, Redshift, Timestream, Neptune, OpenSearch, QuickSight, Chime, CloudWatchLogs, DynamoDB, EMR, SecretManager, PostgreSQL, MySQL, SQLServer et S3 (Parquet, CSV, JSON et EXCEL).
Une liste sélectionnée de ressources formidables sur l'apprentissage automatique responsable.
Un package Python pour l'analyse et la visualisation géospatiales interactives avec Google Earth Engine.
Deepchecks : Tests pour la validation continue des modèles et données ML. Deepchecks est une solution open-source holistique pour tous vos besoins de validation IA et ML, vous permettant de tester minutieusement vos données et modèles, de la recherche à la production.
Une liste impressionnante d'événements et d'opportunités de fellowships pour les étudiants en informatique
:atom: Exécutez du code de manière interactive, inspectez les données et tracez des graphiques. Toute la puissance des kernels Jupyter, dans votre éditeur de texte préféré.
Un framework de collecte et d'analyse de données de marché de prévision, incluant le plus grand jeu de données public disponible sur les marchés et les transactions Polymarket et Kalshi.
Réponses à 120 questions couramment posées lors d'entretiens en data science.
Un package Python pour la cartographie interactive et l'analyse géospatiale avec un codage minimal dans un environnement Jupyter
[NeurIPS 2026] DataFlex : une référence unifiée et une plateforme d’évaluation pour l’entraînement des grands modèles de langage centré sur les données
"Les mathématiques ne sont pas difficiles" - "L'algèbre linéaire n'est pas difficile", volumes 1 et 2, 66 sujets achevés ; bienvenue aux critiques et suggestions.