#Jupyter Notebook

该资源库提供2020年NYU深度学习课程的全面资料，包括视频和文本格式。适用于Mac、Ubuntu和Windows系统，用户需安装Miniconda和相关Python包，通过Git获取课程资源。课程使用Jupyter Notebook和JupyterLab进行数据探索和可视化，推荐使用暗色主题以获得最佳效果。

本项目提供深度学习视频讲解及笔记资源，涵盖Pytorch、李沐、吴恩达等名师课程，并附有详细的数据集和实用工具。适合从事AI算法开发、图像处理及语音识别方向的求职者，并提供多家知名企业的内推机会，帮助自学者搭建交流平台，实现技术突破和职业发展。

TensorWatch是由微软研究院开发的调试和可视化工具，专为数据科学、深度学习和强化学习设计。它运行在Jupyter Notebook中，提供实时的机器学习训练可视化和分析功能。其灵活的架构允许创建自定义的可视化、界面和仪表板，并支持独特的Lazy Logging模式进行实时查询和流式数据处理。TensorWatch支持多种图表类型和并行流可视化，是一个易于使用且可扩展的调试平台。

这个资源库包含Pinecone向量数据库及常见AI模式、工具和算法的示例应用和Jupyter Notebooks，供用户下载、学习和修改。资源库分为生产就绪示例和学习探索示例，并提供详细的入门指南和Google Colab的实验指导。欢迎反馈和贡献以改进该社区资源。

本项目提供Andrej Karpathy的“Neural Networks: Zero to Hero”教程系列的详细笔记和代码示例，涵盖神经网络基础、语言模型、GPT等内容，帮助用户深入理解相关技术。通过Jupyter Notebooks形式，学习者可以逐步实践教程中的概念和技术。欢迎提交错误或改进建议的pull request。

BertViz是一个交互式工具，可视化BERT、GPT2、T5等Transformer模型的注意力机制。支持在Jupyter和Colab中运行，提供head view、model view、neuron view三种独特视角。通过简便的Python API调用，大多数Huggingface模型均兼容。通过Colab教程，可快速尝试这些可视化功能。

本资源库包含详尽的MONAI教程，涵盖2D和3D分类、分割、回归及配准任务实例。教程演示如何使用Matplotlib和Jupyter Notebook在PyTorch和MONAI中进行医学图像处理和深度学习操作，并提供Colab环境下的GPU加速指南及数据处理和问题解决方法。教程还介绍了模型部署、实验管理、联邦学习和数字病理学实例，帮助用户掌握和应用MONAI功能。

这是一个开源的 PyTorch Lightning 教程集合，提供轻量级、可执行和可复现的笔记本。项目涵盖 Lightning 的各种应用，包括最佳实践、数据集使用和开发技巧。内容适合不同水平的开发者，从入门到深入学习都有所涉及。

PyGWalker是一个Python库，将pandas数据框转换为交互式可视化界面。支持拖拽操作和自然语言查询，简化了数据分析和可视化工作流程。兼容Jupyter Notebook、Google Colab和Streamlit等多种环境，可处理大型数据集。提供强大的数据表格功能，允许保存分析结果。适用于数据科学家进行探索性数据分析，提高工作效率。

WisBot是一款专为数据科学和机器学习设计的智能助手，可自动生成定制的Jupyter笔记本和Python脚本。它提供高级分析、特征工程和代码优化功能，支持交互式数据探索、端到端模型实验和可视化应用开发。WisBot适用于高级分析、机器学习建模和数据科学学习，能有效提升数据科学工作的效率。

Jupyter Scatter是一款为Jupyter环境设计的交互式散点图工具，能高效处理百万级数据点。它支持视图链接、平移缩放和数据选择，采用WebGL渲染确保大规模数据流畅展示。该工具提供直观API，与Pandas DataFrames深度集成，并具备智能默认设置。Jupyter Scatter支持自定义视觉编码和多图表同步交互，适用于大规模数据集的探索和比较。

smartcore是一个Rust语言开发的机器学习库，实现了分类、回归、聚类等多种算法模型。项目提供API接口和文档，并支持Jupyter Notebook环境。作为Rust生态系统的一部分，smartcore为数据科学和机器学习应用提供工具支持。

Deep-Learning-Projects是一个包含多个深度学习小项目的GitHub仓库，以Jupyter notebook形式呈现。仓库提供详细的项目说明和配套视频教程，涵盖多个深度学习领域。这些资源为不同水平的学习者和开发者提供了实践机会，有助于从理论到实践的学习过程。

该项目通过10个scikit-learn视频教程和配套Jupyter notebook，系统讲解机器学习基础知识与实践技能。内容涵盖机器学习概念、Python环境配置、数据处理、模型训练评估、交叉验证和参数优化等。总时长4.5小时，并提供更新的免费在线课程，包含测验和证书，是入门scikit-learn的综合学习资源。

这是一个面向深度学习初学者的开源项目，提供全面的入门课程。课程内容包括神经网络基础知识的介绍材料、实践演练和扩展资源。采用Jupyter Notebook形式，鼓励学生动手实践以加深理解。课程涵盖深度学习核心概念，为学习者打下扎实基础，为进一步探索高级主题如GAN和NLP做好准备。项目注重理论与实践结合，并提供深入学习资源。项目内容结构清晰，按主题分类组织，每个主题包含概述、预习建议、实践演示和深入学习资源。课程支持本地运行和Google Colab使用两种方式，增加了学习的灵活性。

Notebooks项目提供希伯来语Python编程教学资源，包含Jupyter笔记本形式的课程内容。教材涵盖丰富的编程知识、示例和练习题，基于十年教学经验编写，并持续更新。课程设计建议学习者每个笔记本用1-3天学习并完成练习。项目目标是以直观便捷的方式普及编程知识，为希伯来语使用者提供优质的开源学习材料。

pytudes是Peter Norvig创建的GitHub项目，收录了一系列简洁而富有挑战性的Python程序。这些'编程练习曲'涵盖词语游戏、数学难题和编程挑战等主题，旨在帮助开发者提升特定编程技能。项目以Jupyter笔记本形式呈现，支持多平台运行，适合视编程为长期磨练技艺的开发人员。