#numpy Dépôts
146 dépôts au total
Code source de PyGAD, une bibliothèque Python 3 pour la création de l'algorithme génétique et la formation d'algorithmes d'apprentissage automatique (Keras & PyTorch).
🚀 Plus de 500 ressources sélectionnées pour l'analyse de données et la science des données : Python, SQL, Statistiques, ML, IA, Visualisation, Fiches mémo, Feuilles de route, Préparation aux entretiens. Pour débutants et experts.
Un livre en accès ouvert sur les techniques de vectorisation NumPy, Nicolas P. Rougier, 2017
Algorithmes ML implémentés et dérivés des premiers principes dans Jupyter Notebooks et NumPy
Mathématiques à précision mixte, kernels d’algèbre linéaire et de recherche, plus de 4 000 symboles, des nombres sur 4 bits aux nombres complexes sur 128 bits, pour x86, Arm, RISC-V, LoongArch, Power et WASM, avec AMX et SME inclus 📐
🤖 Expériences interactives en Machine Learning : 🏋️entraînement des modèles + 🎨démonstration des modèles
Une bibliothèque Python facile à utiliser pour le traitement et la manipulation de nuages de points 3D et de maillages.
Intégration Home Assistant pour la surveillance des appareils via prise connectée : détecte les cycles, fait correspondre les programmes, estime le temps restant. Prend en charge les lave-linge, sèche-linge, lave-vaisselle et plus encore.
Calcul haute performance pour les tenseurs N-dimensionnels dans .NET, avec une API identique à celle de NumPy.
Métriques communes de risque et de performance financière. Utilisées par zipline et pyfolio.
Apprentissage automatique pour l'imputation et la prédiction des données de transport.
Théorie du traitement du signal numérique (DSP) : signaux, filtration (IIR, FIR, CIC, MAF), transformations (FFT, DFT, Hilbert, transformée en Z) etc.
Une collection d'extraits de code de la publication Daily Dose of Data Science sur Substack : http://www.dailydoseofds.com/
DS & ML Python évolutifs, d'une manière compatible avec les API et ultra-rapide.
«Deep Learning à partir de zéro 2» (O'Reilly Japan, 2018)
Opérations du Kernel sur CPU et GPU, avec autodiff et sans débordements de mémoire
Apprentissage automatique, statistiques et fouille de données pour l'astronomie et l'astrophysique
Générateur de monde utilisant la simulation des plaques, de l'ombre pluviométrique, de l'érosion, etc.
Introduction à PyTorch, couvrant l'initialisation des tenseurs, les opérations, l'indexation et le remodelage.
Visualisation 3D WebGL pour Jupyter : maillages, isosurfaces, volumes, voxels et nuages de points à partir de tableaux NumPy, avec un moteur de rendu cinématographique par lancer de rayons.
Framework personnalisable et multiplateforme pour le traitement multimédia/vidéo. Avec une forte accélération GPU, une conception hétérogène, une prise en charge multilingue, une facilité d'utilisation, une compatibilité multi-framework et de hautes performances, le framework est idéal pour le transcodage, l'inférence IA, l'intégration d'algorithmes, le streaming vidéo en direct, et plus encore.
Bibliothèque d'analyse de sensibilité en Python. Contient les méthodes Sobol, Morris, FAST et autres.
Un cours de méthodes numériques avec Python pour ingénieurs et scientifiques : actuellement 5 modules d'apprentissage, avec des devoirs d'étudiants.
Introduction à la modélisation mathématique : le tutoriel le plus complet sur les modèles et algorithmes de modélisation mathématique sur tout le Web, vous ouvrant les portes de la modélisation mathématique !
Mon cours de 'Python pour l'analyse de données' sur YouTube
Calendrier lunaire iCal, termes solaires et lunaires, fêtes traditionnelles
Analyse exploratoire des données pratique avec Python, publié par Packt