访问官网
Github
文档data-science-ipython-notebooks 项目介绍
data-science-ipython-notebooks 是一个综合性数据科学项目集合，包含了一系列使用 IPython Notebook 展示的示例。这些笔记本涵盖了深度学习、机器学习库以及数据分析相关工具的功能和应用。这些资源对数据科学新手和有经验的开发者都提供了很大的帮助。
深度学习
深度学习部分展示了如何使用多个主流框架进行深度学习的实践。
TensorFlow 教程
TensorFlow 是谷歌推出的一个用于各种感知和语言理解任务的库。在这里，有许多关于如何利用 TensorFlow 进行基本运算、线性回归、逻辑回归以及构建神经网络等的教程。
- 基本操作笔记本：学习如何在 TensorFlow 中实现基本操作。
- 线性回归笔记本：在 TensorFlow 中实现线性回归。
- 神经网络：包括最邻近算法、卷积神经网络(CNN)、多层感知机(MLP)和循环神经网络(RNN)等示例。
- 多 GPU 计算：了解在 TensorFlow 中进行多 GPU 计算的基本知识。
此外，还有其他专门针对模型优化和数据可视化的笔记本，例如图形可视化和损失可视化等。
Theano 教程
Theano 是一个强大的数学表达式编程库，尤其是在 GPU 上展示了高效的性能。
- 学习 Theano 的基础知识
- 了解 scan 机制、逻辑回归和多层感知机在 Theano 中的实施
Keras 教程
Keras 是一个高级神经网络 API，可以在 TensorFlow 或 Theano 上运行，非常友好且易于上手。
- 基础设置教程
- 用 Keras 实现卷积神经网络和循环神经网络
- 使用预训练模型进行迁移学习
机器学习
scikit-learn
scikit-learn 是一个用于数据挖掘和数据分析的简单且高效的工具。在此项目中展示了如何在 scikit-learn 中实现常见的机器学习算法，比如线性回归、SVM、随机森林和 K-均值聚类。
Statistical Inference SciPy
利用 SciPy 进行统计推断，通过示例掌握如何使用 SciPy 进行随机抽样和假设检验。
数据分析工具
pandas
pandas 使数据操作和分析变得容易。项目中提供了关于数据索引、选择、操作、合并和清除等多方面的教程。
matplotlib
包含全面的 matplotlib 教程，介绍如何使用这个强大的绘图库进行数据可视化，包括基本绘图、子图、三维绘图和地理数据可视化等。
NumPy
用以数值计算的核心库，通过 NumPy 学习大规模、多维数组的操作。
其他工具
AWS
讲解了如何使用 Amazon Web Services (AWS) 的各种功能，比如使用 Boto 与 AWS 服务交互，利用 S3cmd 管理 S3 存储等。
Spark 和 MapReduce
展示了 Spark 和 Hadoop MapReduce 的使用实例，说明了如何在大数据场景下进行高效的数据处理。
贡献与联系
本项目鼓励社区贡献，用户可以通过 GitHub issues 提交错误报告或功能请求。如果有任何问题或反馈，可以通过邮件 (donne.martin@gmail.com) 或 Twitter (@donne_martin) 进行联系。
data-science-ipython-notebooks 项目是一个非常有价值的学习资源，尤其适合希望在数据科学领域深入学习的开发者和数据分析师。
