Home Progetti machine_learning_complete
machine_learning_complete

machine_learning_complete

di Nyandwi · GitHub

Un repository completo di machine learning contenente oltre 30 notebook su diversi concetti, algoritmi e tecniche.

Visualizza su GitHub
In parole semplici

Esplora oltre 30 notebook che coprono vari concetti e tecniche di machine learning.

⭐ Stelle
🍴 Fork
📜 Licenza
Uso commerciale consentito
📅 Creato
🔄 Ultimo commit
🏷️ Categoria
💻 Lingua
Mantieni questo progetto?

Rivendica la sua pagina: indicizzata qualunque sia il rango, tradotta in sei lingue e arricchita con le tue parole.

Rivendica questa pagina →
machine_learning_complete — GitHub preview card
📈 Storia delle stelle
5.03k5.02k
2026-07-042026-07-29
📈 Segui machine_learning_complete

Ricevi un avviso via email alla prossima release o quando decolla — non perderti nulla.

Gratis · senza carta · disdici quando vuoi
Ricevi avvisi via email →
📄 Informazioni

Un repository completo di machine learning contenente oltre 30 notebook su diversi concetti, algoritmi e tecniche.

machine_learning_complete ha 5k stelle su GitHub. È stato forkato 837 volte. machine_learning_complete è scritto principalmente in Jupyter Notebook. È in sviluppo attivo dal 2021. machine_learning_complete è disponibile con licenza MIT. I suoi temi principali sono: computer-vision, data-analysis, data-science, data-visualization.

Frequently asked questions

Che cos'è machine_learning_complete?

Un repository completo di machine learning contenente oltre 30 notebook su diversi concetti, algoritmi e tecniche.

machine_learning_complete è open source?

machine_learning_complete è un progetto open source. È rilasciato con licenza MIT.

machine_learning_complete è gratuito?

Sì. machine_learning_complete è gratuito e open source: puoi usarlo, modificarlo e ospitarlo autonomamente.

Con quale licenza è machine_learning_complete?

machine_learning_complete è disponibile con licenza MIT.

In quale linguaggio è scritto machine_learning_complete?

machine_learning_complete è scritto principalmente in Jupyter Notebook.

🏅 Manutentore di questo progetto?
OpenSourceAI badge — machine_learning_complete

Aggiungi questo badge live al tuo README — le tue stelle GitHub e il ranking della directory, aggiornati quotidianamente.

[![OpenSourceAI](https://opensourceai.tech/badge.php?tool=nyandwi-machine-learning-complete)](https://opensourceai.tech/project/nyandwi-machine-learning-complete.html)
Altre opzioni di badge →
🧬 Condivide il DNA con🧬 Vedi la mappa del DNA →
Ai-Learn
Mappa del percorso di apprendimento dell'intelligenza artificiale, organizza quasi 200 casi pra…
13.2k · algorithm
condivideseabornmatplotlib
mlcourse.ai
Corso di Machine Learning Aperto
10.7k · algorithms
condivideseabornmatplotlib
best-of-ml-python
🏆 Un elenco classificato delle fantastiche librerie Python per machine learning. Aggiornato set…
23.7k · automl
condividedata-visualizationdata-analysis
data-science-ipython-notebooks
Notebook Python per la scienza dei dati: Deep learning (TensorFlow, Theano, Caffe, Keras), scik…
29.3k · aws
condividematplotlibpandas
AI-Engineer-Headquarters
Una raccolta di metodi scientifici, processi, algoritmi e sistemi per costruire storie e modell…
3.7k · computer-vision
condividematplotlibpandas
advanced-machine-learning-engineer-roadmap-2024
Una roadmap Full Stack ML (Machine Learning) implica l'apprendimento delle competenze e tecnolo…
701 · aws
condividepandasdata-visualization
cheatsheets-ai
Schede di riferimento essenziali per ricercatori di deep learning e machine learning https://me…
15.4k · artificial-intelligence
condividematplotlibnumpy
awesome-python-data-science
Probabilmente il miglior elenco curato di software di data science in Python.
3.5k · awesome
condividedata-visualizationdata-analysis
ml-workspace
🛠 IDE web all-in-one specializzato per machine learning e data science.
3.5k · anaconda
condividedata-visualizationdata-analysis
Data-Science-Hacks
Data Science Hacks consiste in suggerimenti e trucchi per aiutarti a diventare un miglior data…
432 · computer-vision
condividepandasnumpy

Misurato dai topic GitHub comuni a entrambi i progetti, ponderati per la loro rarita.