#jupyter-notebook Dépôts
Découvrez 174 dépôts GitHub open source actifs associés à #jupyter-notebook, cumulant 887,335 étoiles au total (soit une moyenne de 5,099 étoiles par projet). Le projet en tête de ce thème est jackfrued/Python-100-Days, avec 187,961 étoiles.
174 dépôts au total
Python Data Science Handbook : texte intégral dans les notebooks Jupyter
aka "Bayesian Methods for Hackers" : Une introduction aux méthodes bayésiennes + programmation probabiliste avec une perspective computation/compréhension d'abord, mathématiques ensuite. Tout en Python pur ;)
⛔️ OBSOLÈTE – Voir https://github.com/ageron/handson-ml3 ou handson-mlp à la place.
Matériels et carnets IPython pour "Python for Data Analysis" de Wes McKinney, publié par O'Reilly Media
🤖 Exemples Python d'algorithmes populaires d'apprentissage automatique avec des démos Jupyter interactives et des mathématiques expliquées
✅(Terminé) Notes super complètes sur l'apprentissage profond 【Tuduī PyTorch】【Li Mu Apprentissage profond pratique】【Andrew Ng Deep Learning】【Dafei Agents de grands modèles】
Livre sur le filtre de Kalman utilisant Jupyter Notebook. Met l'accent sur le développement de l'intuition et de l'expérience, pas sur les preuves formelles. Inclut les filtres de Kalman, les filtres de Kalman étendus, les filtres de Kalman unscented, les filtres particulaires, et plus encore. Tous les exercices incluent des solutions.
Un réseau de neurones qui transforme un mock-up de design en un site web statique.
Dessinez de jolies cartes à partir de données OpenStreetMap ! Construit avec osmnx +matplotlib + shapely
Profilage de la qualité des données & analyse exploratoire des données en 1 ligne de code pour les DataFrames Pandas et Spark.
Plongez dans ce référentiel, une ressource complète couvrant les structures de données, les algorithmes, les 450 DSA de Love Babbar, la feuille DSA de Striver, la feuille DSA d'Apna College et les questions FAANG ! 🚀 Ce n'est pas tout ! Nous avons des matières techniques comme les systèmes d'exploitation, la SGBD, SQL, les réseaux informatiques et la programmation orientée objet, toutes vous attendent.
Exemples de carnets Jupyter 📓 démontrant comment construire, entraîner et déployer des modèles d'apprentissage automatique en utilisant 🧠 Amazon SageMaker.
Meilleures pratiques, exemples de code et documentation pour la Vision par ordinateur.
Evidently est un framework open-source d'observabilité ML et LLM. Évaluez, testez et surveillez tout système alimenté par l'IA ou pipeline de données. Des données tabulaires à Gen AI. Plus de 100 métriques.
Cahiers et code pour le livre "Introduction to Machine Learning with Python"
Une liste sélectionnée de carnets et bibliothèques pour l'apprentissage automatique appliqué et la science des données dans différents secteurs (par @firmai)
Stock AI Trader : plateforme tout-en-un pour apprendre, s’entraîner en simulation et trader en réel. Couvre les bases de la Bourse, les stratégies, les grands modèles de langage, l’extraction de facteurs, l’apprentissage automatique/profond/par renforcement, les réseaux neuronaux de graphes, le trading haute fréquence, le déploiement en C++ et le code JoinQuant.
Une collection de diverses extensions de notebook pour Jupyter
Sutskever 30 implémentations inspirées par https://papercode.vercel.app/ | Pour les Agents, utilisez https://github.com/pageman/Sutskever-Agent | Version polyglotte / Multi-Backend sur https://github.com/pageman/sutskever-30-beyond-numpy
Une liste curatée de projets Jupyter formidables, bibliothèques et ressources
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.
Impressionnez votre patron et transformez un notebook Jupyter en une application web magnifique et partageable — sans callbacks, sans frontend, sans réécriture.
Vitrine de l’IA générative de MongoDB : une collection exhaustive d’exemples et d’applications de démonstration couvrant la génération augmentée par récupération (RAG), les agents d’IA et les cas d’utilisation propres à chaque secteur.
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.
Synapsa Commons : des cours d’IA gratuits et pratiques, exécutables partout (Colab, Kaggle, Binder, Codespaces, Jupyter). Éléments probants de conformité à la législation européenne sur l’IA, validation des modèles, maintenance prédictive, extraction de documents, recherche et RAG, agents d’IA et MCP, ainsi qu’un humanoïde simulé. Chaque leçon est évaluée automatiquement. Par l’équipe qui développe Synapsa.
Une série de notebooks Jupyter présentant les "12 Étapes vers Navier-Stokes" http://lorenabarba.com/
Un package Python pour la cartographie interactive et l'analyse géospatiale avec un codage minimal dans un environnement Jupyter
Foire aux questions
Quel est le dépôt #jupyter-notebook le plus populaire sur GitHub ?
Le projet #jupyter-notebook open source le mieux classé sur GitHub est jackfrued/Python-100-Days, avec 187,961 étoiles. Python - 100 jours du débutant au maître
Quels langages de programmation sont les plus utilisés dans les dépôts #jupyter-notebook ?
Parmi les projets #jupyter-notebook les mieux classés sur GitHub, les langages de programmation les plus courants sont Jupyter Notebook, Python, HTML, TypeScript.
Comment le classement des dépôts #jupyter-notebook est-il calculé ?
Nous suivons 174 dépôts open source actifs associés à #jupyter-notebook (500+ étoiles), totalisant 887,335 étoiles, avec une moyenne de 5,099 étoiles par dépôt. Les classements sont mis à jour quotidiennement à partir de l’API GitHub.