#jupyter-notebook Repository
Scopri 174 repository GitHub open source attivi contrassegnati con #jupyter-notebook, che raccolgono un totale di 887,335 stelle (con una media di 5,099 stelle per progetto). Il progetto leader di questo argomento è jackfrued/Python-100-Days, con 187,961 stelle.
174 repository in totale
Python Data Science Handbook: testo completo in Jupyter Notebooks
aka "Bayesian Methods for Hackers": Un'introduzione ai metodi bayesiani + programmazione probabilistica con un punto di vista computation/understanding-first, mathematics-second. Tutto in puro Python ;)
Materiali e notebook IPython per "Python for Data Analysis" di Wes McKinney, pubblicato da O'Reilly Media
🤖 Esempi Python di algoritmi popolari di machine learning con demo interattive Jupyter e matematica spiegata
✅(Completato) Note super complete e approfondite su Deep Learning 【Tuduī PyTorch】【Li Mu Impara Deep Learning Praticamente】【Andrew Ng Deep Learning】【Dafei Modelli Grandi Agent】
Libro sul filtro di Kalman utilizzando Jupyter Notebook. Si concentra sulla costruzione dell'intuizione e dell'esperienza, non su dimostrazioni formali. Include filtri di Kalman, filtri di Kalman estesi, filtri di Kalman unscented, filtri particellari e altro ancora. Tutti gli esercizi includono soluzioni.
Una rete neurale che trasforma un mock-up di design in un sito web statico.
Disegna bellissime mappe dai dati di OpenStreetMap! Costruito con osmnx +matplotlib + shapely
Profilazione della qualità dei dati & analisi esplorativa dei dati con 1 riga di codice per Pandas e Spark DataFrames.
Immergiti in questo repository, una risorsa completa che copre Strutture Dati, Algoritmi, 450 DSA di Love Babbar, Striver DSA sheet, Apna College DSA Sheet e FAANG Questions! 🚀 Non è tutto! Abbiamo materie tecniche come Sistemi Operativi, DBMS, SQL, Reti di Calcolatori e Programmazione Orientata agli Oggetti, tutte che ti aspettano.
Notebook Jupyter 📓 di esempio che dimostrano come costruire, addestrare e distribuire modelli di machine learning utilizzando 🧠 Amazon SageMaker.
Best Practices, esempi di codice e documentazione per Computer Vision.
Evidently è un framework open-source per l'osservabilità di ML e LLM. Valuta, testa e monitora qualsiasi sistema basato sull'IA o pipeline dati. Dai dati tabellari a Gen AI. Oltre 100 metriche.
Quaderni e codice per il libro "Introduction to Machine Learning with Python"
Una lista curata di notebook e librerie per machine learning applicato e data science in diversi settori (di @firmai)
Repository per memorizzare programmi Python di esempio per l'apprendimento di Python
Stock AI Trader: piattaforma tutto-in-uno per imparare, fare trading simulato e operare sui mercati reali. Include basi del mercato azionario, strategie, modelli linguistici di grandi dimensioni, estrazione di fattori, machine learning/deep learning/reinforcement learning, reti neurali a grafo, trading ad alta frequenza, distribuzione in C++ e codice JoinQuant.
Una collezione di varie estensioni per notebook per Jupyter
Sutskever 30 implementazioni ispirate a https://papercode.vercel.app/ | Per Agents, usa https://github.com/pageman/Sutskever-Agent | Versione Poliglotta / Multi-Backend su https://github.com/pageman/sutskever-30-beyond-numpy
Una lista curata di progetti, librerie e risorse Jupyter fantastici
Fondamenti di Machine Learning: Algebra Lineare, Calcolo, Statistica e Informatica
Una libreria veloce per AutoML e tuning. Unisciti al nostro Discord: https://discord.gg/Cppx2vSPVP.
Impressiona il tuo capo e trasforma un notebook Jupyter in una bellissima app web condivisibile — niente callback, niente frontend, niente riscrittura.
Showcase dell'IA generativa di MongoDB: una raccolta completa di esempi e applicazioni dimostrative che comprende la generazione aumentata dal recupero (RAG), gli agenti di IA e i casi d'uso specifici del settore.
Un pacchetto Python per l'analisi e la visualizzazione geospaziale interattiva con Google Earth Engine.
Deepchecks: Test per la validazione continua di modelli e dati ML. Deepchecks è una soluzione olistica open-source per tutte le tue esigenze di validazione AI e ML, che consente di testare a fondo i tuoi dati e modelli dalla ricerca alla produzione.
Synapsa Commons: corsi di IA gratuiti e pratici, eseguibili ovunque (Colab, Kaggle, Binder, Codespaces, Jupyter). Evidenze di conformità all’AI Act dell’UE, validazione dei modelli, manutenzione predittiva, estrazione di documenti, recupero e RAG, agenti IA e MCP, oltre a un umanoide simulato. Ogni lezione viene valutata automaticamente. Dal team che sta costruendo Synapsa.
Una sequenza di Jupyter notebooks che presentano i "12 Passi verso le equazioni di Navier-Stokes" http://lorenabarba.com/
Un pacchetto Python per il mapping interattivo e l'analisi geospaziale con la minima codifica in un ambiente Jupyter
Domande frequenti
Qual è il repository #jupyter-notebook più popolare su GitHub?
Il progetto open source #jupyter-notebook più alto in classifica su GitHub è jackfrued/Python-100-Days, con 187,961 stelle. Python - 100 giorni da principiante a maestro
Quali linguaggi di programmazione sono più utilizzati nei repository #jupyter-notebook?
Tra i progetti #jupyter-notebook più alti in classifica su GitHub, i linguaggi di programmazione più comuni sono Jupyter Notebook, Python, HTML, TypeScript.
Come viene calcolata la classifica dei repository #jupyter-notebook?
Monitoriamo 174 repository open source attivi contrassegnati con #jupyter-notebook (500+ stelle), per un totale di 887,335 stelle e una media di 5,099 stelle per repository. Le classifiche vengono aggiornate quotidianamente tramite l’API di GitHub.