data-science-ipython-notebooks
Notebooks Python de ciência de dados: Aprendizado profundo (TensorFlow, Theano, Caffe, Keras), scikit-learn, Kaggle, big data (Spark, Hadoop MapReduce, HDFS), matplotlib, pandas, NumPy, SciPy, fundamentos de Python, AWS e várias linhas de comando.
Explore conceitos e técnicas de ciência de dados através de notebooks interativos em Python.
Reivindique a sua pagina: indexada seja qual for a posicao, traduzida em seis linguas e enriquecida com as suas palavras.
Receba um alerta por e-mail no próximo lançamento ou quando começar a bombar.
Grátis · sem cartão · cancele quando quiserNotebooks Python de ciência de dados: Aprendizado profundo (TensorFlow, Theano, Caffe, Keras), scikit-learn, Kaggle, big data (Spark, Hadoop MapReduce, HDFS), matplotlib, pandas, NumPy, SciPy, fundamentos de Python, AWS e várias linhas de comando.
data-science-ipython-notebooks tem 29.3k estrelas no GitHub. Foi bifurcado 8k vezes. data-science-ipython-notebooks é escrito principalmente em Python. Está em desenvolvimento ativo desde 2015. Os seus principais temas são: aws, big-data, caffe, data-science.
O que é data-science-ipython-notebooks?
Notebooks Python de ciência de dados: Aprendizado profundo (TensorFlow, Theano, Caffe, Keras), scikit-learn, Kaggle, big data (Spark, Hadoop MapReduce, HDFS), matplotlib, pandas, NumPy, SciPy, fundamentos de Python, AWS e várias linhas de comando.
data-science-ipython-notebooks é de código aberto?
data-science-ipython-notebooks é um projeto de código aberto.
data-science-ipython-notebooks é gratuito?
Sim. data-science-ipython-notebooks é gratuito e de código aberto — você pode usá-lo, modificá-lo e hospedá-lo por conta própria.
Em que linguagem data-science-ipython-notebooks está escrito?
data-science-ipython-notebooks é escrito principalmente em Python.
Adicione este badge ao vivo ao seu README — suas estrelas do GitHub e classificação no diretório, atualizadas diariamente.
[](https://opensourceai.tech/project/donnemartin-data-science-ipython-notebooks.html)
Medido a partir dos topics do GitHub comuns aos dois projetos, ponderados pela sua raridade.