Python для data science

Автор: Васильев Ю.
Год: 2023

⬇️ Скачать книгу

👉 @DataSciencegx | #книги

🔥 Почти 1000 опенсорсных LLM-инструментов

На этом сайте каждые 6 часов обновляется llama-police — список инструментов на основе больших языковых моделей (LLM) с открытым исходным кодом. В таблице перечислены репозитории таких проектов, их краткое описание, количество контрибьюторов, звёзд и т.д.

🔜 Большинство из проектов также можно найти в cool-llm-repos на GitHub.

🔜 Ссылка на сайт

👉 @DataSciencegx | #ресурсы

Глубокое обучение с fastai и PyTorch. Минимум формул, минимум кода, максимум эффективности

Автор: Гуггер Сильвейн, Ховард Джереми
Год: 2022

⬇️ Скачать книгу

👉 @DataSciencegx | #книги

🔥 Бесплатный курс по компьютерному зрению от Hugging Face

Этот курс предлагает пошаговое введение в основы компьютерного зрения, включая как теорию, так и практические занятия. В нём можно найти следующие темы:

⏩Основы компьютерного зрения;
⏩Свёрточные нейронные сети;
⏩Визуальные трансформеры;
⏩Генеративные модели;
⏩Обработка видео;
⏩Машинное 3D-зрение, визуализация сцен и реконструкция;
⏩Zero-shot зрение (позволяет компьютерам распределять объекты по классам, которые они раньше не видели);
⏩Этические аспекты компьютерного зрения.

🔜 Ссылка на курс

👉 @DataSciencegx | #курсы

⚡️ Awesome Machine Learning — фреймворки и библиотеки для ML

Репозиторий содержащий подборку полезных ресурсов, библиотек и инструментов для изучения и работы с машинным обучением (ML).

🔜 Ссылка на репозиторий Awesome Machine Learning

👉 @DataSciencegx | #ресурсы

🔢 Калькулятор для расчёта необходимого размера выборки для A/B тестов

Реддитор поделился сайтом, который сделал, чтобы облегчить себе жизнь.

Калькулятор может:
⏩работать с разными пропорциями распределения групп (например, 20/80),
⏩поддерживать более двух тестируемых групп помимо,
⏩выбирать между односторонним и двусторонним статистическим тестом.

🔜 Ссылка на калькулятор

👉 @DataSciencegx | #ресурсы

Профессор Том Йет создал Google Sheets, в котором предлагает вам самостоятельно вычислить архитектуру Transformer

В таблице представлены все матрицы, составляющие систему, и ваша задача — вычислить результирующие матрицы. Ответы, указанные прописными буквами, можно скрыть для самопроверки.

Также автор делится полезными материалами для лучшего понимания архитектуры Transformer.

👉 @DataSciencegx | #ресурсы

Грокаем машинное обучение

Автор: Серрано Луис
Год: 2024

⬇️ Скачать книгу

👉 @DataSciencegx | #книги

Deep Learning на пальцах

Бесплатный курс по глубокому обучению от исследователя MIT Семёна Козлова. Он читается для магистрантов НГУ и студентов CS центра Новосибирска

Темы включают основы Python, numpy, работу с нейронными сетями, PyTorch, а также вводные концепции в NLP, компьютерное зрение, распознавание речи и обучение с подкреплением

🔜 Ссылка на материалы

👉 @DataSciencegx | #ресурсы

Illustrated Machine Learning

Этот сайт предоставляет визуальные объяснения различных концепций машинного обучения. Здесь можно найти иллюстрации по таким темам, как:

⏩Введение в машинное обучение
⏩Линейная регрессия
⏩Логистическая регрессия
⏩Деревья решений
⏩Бэггинг и бустинг
⏩Кластеризация
⏩Нейронные сети и глубокое обучение и др.

🔜 Ссылка на сайт

👉 @DataSciencegx | #ресурсы

Data Science Interview Questions & Exercises

Это подборка вопросов и ответов для собеседования на позицию дата-сайентиста.

Охватывает темы:
⏩основы машинного обучения;
⏩глубокое обучение и нейросети;
⏩статистика и теория верояностей;
⏩А/Б-тестирование;
⏩NLP.

🔜 Ссылка

👉 @DataSciencegx | #ресурсы

Изучаем основы Python. Практический курс для дата-аналитиков

Автор: П.И. Меликов
Год: 2023

⬇️ Скачать книгу

👉 @DataSciencegx | #книги

latexify — библиотека для красивого вывода формул

Вот основные функции:

⏩компилирует код Python или AST в формат LaTeX
⏩предоставляет классы для IPython для красивого отображения формул.

🔜 Ссылка на репозиторий

👉 @DataSciencegx | #ресурсы

Краткий свод концепций Tensor Flow

⏩архитектуру TensorFlow: устройство и базовые концепты;
⏩типы данных и форматы тензоров в TensorFlow;
⏩оптимизацию и обучение моделей;
⏩обучение и распределённое вычисление: стратегии и параллелизация;
⏩работу с данными и их подготовку: Dataset API и трансформации данных;
⏩сохранение и развёртывание моделей.

🔜 Читать статью

👉 @DataSciencegx | #cтатья

PandasAI — это инструмент для анализа данных, позволяющий работать с ними через запросы на естественном языке

Где использовать:
⏩ в Jupyter ноутбуках,
⏩ Streamlit-приложениях,
⏩ в виде REST API.

Как использовать: Просто формулировать вопросы к данным на естественном языке.

🔜 Демо в Google Colab
🔜 Репозиторий проекта

👉 @DataSciencegx | #ресурсы

Как загружать веса моделей при ограниченных ресурсах?

Если объём памяти на вашем GPU ограничен, но нужно сохранить модель с помощью команды torch.save(model.state_dict(), 'model.pth') и продолжить её обучение в будущем, это вполне решаемая задача.

👉 В этом ноутбуке вы найдёте полезные советы и рекомендации, которые помогут справиться с этой проблемой.

👉 @DataSciencegx | #ресурсы

Шпаргалка по методам кодирования категориальных признаков

👉 @DataSciencegx

Гайд по тензорам

Эта компактная книга на 50 страниц подробно освещает все аспекты, связанные с тензорами

Тензор — это универсальное понятие, обозначающее матрицы с любым числом измерений. К тензорам относятся как скаляры (тензоры нулевого ранга), так и векторы (тензоры первого ранга) и матрицы (тензоры второго ранга).

🔜 Ссылка на сайт The Tensor Cookbook

👉 @DataSciencegx | #ресурсы