#numpy Репозитории
Всего репозиториев: 146
Исходный код PyGAD, библиотеки Python 3 для создания генетического алгоритма и обучения алгоритмов машинного обучения (Keras & PyTorch).
🚀 Более 500 отобранных ресурсов по анализу данных и науке о данных: Python, SQL, статистика, машинное обучение, ИИ, визуализация, шпаргалки, дорожные карты, подготовка к собеседованиям. Для начинающих и экспертов.
Книга с открытым доступом по техникам векторизации NumPy, Nicolas P. Rougier, 2017
Алгоритмы машинного обучения, реализованные и выведенные из первых принципов в Jupyter Notebooks и NumPy
Математика смешанной точности, ядра линейной алгебры и поиска: более 4000 символов, от 4-битных чисел до 128-битных комплексных чисел; для x86, Arm, RISC-V, LoongArch, Power и WASM, включая AMX и SME 📐
🤖 Интерактивные эксперименты по машинному обучению: 🏋️обучение моделей + 🎨демо моделей
Простая в использовании библиотека Python для обработки и манипуляции 3D-облаками точек и сетками.
Интеграция с Home Assistant для мониторинга бытовой техники через умные розетки: определяет циклы, сопоставляет программы, оценивает оставшееся время. Поддерживает стиральные машины, сушилки, посудомоечные машины и многое другое.
Высокопроизводительные вычисления для N-мерных тензоров в .NET с API, идентичным NumPy.
Общие метрики финансового риска и производительности. Используются zipline и pyfolio.
Теория цифровой обработки сигналов (DSP): сигналы, фильтрация (IIR, FIR, CIC, MAF), преобразования (FFT, DFT, Гильберта, Z-преобразование) и т.д.
Подборка фрагментов кода из публикации Daily Dose of Data Science на Substack: http://www.dailydoseofds.com/
Генератор мира, использующий симуляцию тектонических плит, дождевой тени, эрозии и т. д.
Введение в PyTorch, охватывающее инициализацию тензоров, операции, индексацию и изменение формы.
3D-визуализация WebGL для Jupyter: сетки, изоповерхности, объёмы, воксели и облака точек из массивов NumPy с кинематографичным рендерером на основе трассировки путей.
Кроссплатформенная, настраиваемая среда для обработки мультимедиа/видео. Благодаря мощному ускорению на GPU, гетерогенной архитектуре, поддержке нескольких языков, простоте использования, совместимости с различными фреймворками и высокой производительности, эта среда идеально подходит для транскодирования, инференса ИИ, интеграции алгоритмов, прямой видеотрансляции и многого другого.
Библиотека анализа чувствительности на Python. Содержит методы Соболь, Моррис, FAST и другие.
Курс численных методов с использованием Python для инженеров и ученых: в настоящее время 5 учебных модулей с заданиями для студентов.
Введение в математическое моделирование: самое полное руководство по моделям и алгоритмам математического моделирования во всей сети, которое откроет вам двери в мир математического моделирования!
Практический разведочный анализ данных с Python, издательство Packt