data-science-ipython-notebooks
Cuadernos de Python de ciencia de datos: Aprendizaje profundo (TensorFlow, Theano, Caffe, Keras), scikit-learn, Kaggle, big data (Spark, Hadoop MapReduce, HDFS), matplotlib, pandas, NumPy, SciPy, fundamentos de Python, AWS y varias líneas de comandos.
Explora conceptos y técnicas de ciencia de datos a través de cuadernos interactivos de Python.
Reivindica su pagina: indexada sea cual sea su posicion, traducida a seis idiomas y enriquecida con tus propias palabras.
Recibe una alerta por correo en su próximo lanzamiento o cuando despegue — no te pierdas nada.
Gratis · sin tarjeta · cancela cuando quierasCuadernos de Python de ciencia de datos: Aprendizaje profundo (TensorFlow, Theano, Caffe, Keras), scikit-learn, Kaggle, big data (Spark, Hadoop MapReduce, HDFS), matplotlib, pandas, NumPy, SciPy, fundamentos de Python, AWS y varias líneas de comandos.
data-science-ipython-notebooks tiene 29.2k estrellas en GitHub. Se ha bifurcado 8k veces. data-science-ipython-notebooks está escrito principalmente en Python. Se desarrolla activamente desde 2015. Sus temas principales son: aws, big-data, caffe, data-science.
¿Qué es data-science-ipython-notebooks?
Cuadernos de Python de ciencia de datos: Aprendizaje profundo (TensorFlow, Theano, Caffe, Keras), scikit-learn, Kaggle, big data (Spark, Hadoop MapReduce, HDFS), matplotlib, pandas, NumPy, SciPy, fundamentos de Python, AWS y varias líneas de comandos.
¿data-science-ipython-notebooks es de código abierto?
data-science-ipython-notebooks es un proyecto de código abierto.
¿data-science-ipython-notebooks es gratis?
Sí. data-science-ipython-notebooks es gratuito y de código abierto: puedes usarlo, modificarlo y alojarlo tú mismo.
¿En qué lenguaje está escrito data-science-ipython-notebooks?
data-science-ipython-notebooks está escrito principalmente en Python.
Agrega este distintivo en vivo a tu README — tus estrellas de GitHub y rango en el directorio, actualizados diariamente.
[](https://olud.ai/project/donnemartin-data-science-ipython-notebooks.html)
Medido a partir de los topics de GitHub comunes a ambos proyectos, ponderados por su rareza.