data-science

Apache Hamilton hilft Data Scientists und Engineers dabei, testbare, modulare und selbstdokumentierende Datenflüsse zu definieren, die Abstammung (Lineage/Tracing) und Metadaten kodieren. Läuft und skaliert überall dort, wo Python läuft.

Python-Client für Supabase. Abfragen von Postgres aus Flask, Django, FastAPI. Python-Benutzerauthentifizierung, Sicherheitsrichtlinien, Edge Functions, Dateispeicher und Echtzeit-Datenstreaming. Gut für das erste Issue geeignet.

Vorlesungsskripte zur Linearen Algebra mit Python. Diese Reihe von Skripten führt Sie durch alle wichtigen Konzepte, die das Fundament für Data Science oder fortgeschrittene quantitative Fähigkeiten bilden.

Einzelzell-Analyse in Python. Skaliert auf über 100 Millionen Zellen.

2- bis 2000-mal schnellere ML-Algorithmen, 50 % weniger Speicherverbrauch, funktioniert auf alter und neuer Hardware.

ArcticDB ist eine hochleistungsfähige, serverlose DataFrame-Datenbank, die für das Python Data Science-Ökosystem entwickelt wurde.

Eine Python-Bibliothek, die Data Scientists dabei unterstützt, Kausalität abzuleiten, anstatt nur Korrelationen zu beobachten.

Metriken für maschinelles Lernen für verteilte, skalierbare PyTorch-Anwendungen.

Repositories zur Sammlung von Informationen über Lernmaterialien im Bereich Datenanalyse und verwandten Feldern, datenorientierten Unternehmen und einem Begriffslexikon

Eine kuratierte Liste von Forschungsarbeiten zur Community-Erkennung mit Implementierungen.

Eine hochwertige Liste empfohlener klassischer Computerbücher. Die Merkmale: Es werden nur hochwertige Klassiker aus allen Bereichen gesammelt. Qualität geht vor Quantität.

Ein Low-Code-Dienst für personalisiertes Machine-Learning-Ranking von Artikeln, Einträgen, Suchergebnissen und Empfehlungen zur Steigerung der Nutzerinteraktion. Eine benutzerfreundliche Learn-to-Rank-Engine

Eine intuitive Bibliothek zum Hinzufügen von Plotting-Funktionen zu scikit-learn-Objekten.

Datenzentriertes LLM-Training mit dynamischer Stichprobenauswahl, Domain-Mischungsoptimierung und Beispielgewichtung innerhalb der LLaMA-Factory-Trainingsschleife.

Schnelle, genaue und skalierbare probabilistische Datenverknüpfung mit Unterstützung für mehrere SQL-Backends

Machine-Learning-Journal für fortgeschrittene Themen.

Textdatensätze mit LLMs beschriften, bereinigen und anreichern.

Hochleistungs-IDE für Jupyter Notebooks

Aktiv kuratierte Liste fantastischer BI-Tools. PRs willkommen!

Das Ziel von CLAIMED ist es, Low-Code/No-Code-Rapid-Prototyping-Programmierung nahtlos in die Produktion über CI/CD zu überführen.

KI-Assistent zum Schreiben von Code, der Dateninhalte versteht

Open-Source-Python-Bibliothek für Feature Engineering und Feature Selection, kompatibel mit sklearn.

Erlernen Sie die Grundlagen des maschinellen Lernens, Deep Learnings und der mathematischen Optimierung, indem Sie Schlüsselkonzepte und -modelle von Grund auf mit Python erstellen.

Jupyter-Notebooks und Datensätze aus der Pandas-Videoreihe

Open-Source Low-Code-Datenaufbereitungsbibliothek in Python. Sammeln, bereinigen und visualisieren Sie Ihre Daten in Python mit nur wenigen Zeilen Code.

Eine Django-App, die automatische Web-Benutzeroberflächen für Python-Skripte erstellt.

Das Machine Learning & Deep Learning Compendium war ursprünglich eine private Dokumentensammlung zur Wissenserweiterung und ist nun ein offenes Wissensaustauschprojekt, erstellt mit Gitbook.

Dokumentation und Beispiele für die ArcGIS API for Python

Der moderne Ersatz für Jupyter Notebooks

Buch-Repository für The Turing Way: Ein Leitfaden für reproduzierbare, ethische und kollaborative Data Science