🎓 Удобная для работы коллекция датасетов для различных тестов.

pip install ml-datasets

🖥 Github

@bigdatai

🖥 Data Analytics Basics for Everyone

Бесплатнный курс от IBM. На курсе вы изучите основы аналитики данных и получите представление об экосистеме данных, процессе работы с данными, жизненном цикле аналитики.

✔️ Курс

@bigdatai

🎓 MoGaze: датасет с передвижениями тела и движениями взгляда

MoGaze — это датасет с передвижениями тела и движениями взгляда. Датасет собирали для обучения моделей предсказания действия людей. Такие модели можно использовать в роботизированных системах, тесно взаимодействующих с людьми.
Ограничения прошлых датасетов
С увеличением присутствия роботов в человеческой среде становится ключевым для робота уметь понимать и предсказывать движение человека. Такие способности сильно зависят от качества и доступности данных с движением. Однако существующие датасеты с движениями всего тела редко включают в себя:
Длинные последовательности задач манипуляции объектами;
3D модель с геометрией среды;
Данные о направлении взгляда
Все эти данные являются важными, когда роботу необходимо предсказать движения людей вблизи. MoGaze включает в себя эти данные.
Подробнее про датасет
Данные движений были собраны с помощью традиционной системы захвата движений, основанной на отражающих маркерах. Эксперименты показывают, что данные взгляда являются хорошим предиктором намерения человека. Датасет включает в себя 180 минут данных движение с 1627 действиями поднять-поставить.

🖥 Github

@bigdatai

🖥 vizzuhq/ipyvizzu

Библиотека, которая позволяет создавать анимированные диаграммы в блокноте Jupyter с помощью простого синтаксиса Python.

pip install ipyvizzu

🖥 Github
✔️ Colab

@bigdatai

✔️ Статистический анализ данных с помощью SKLEARN

Основная цель работы – это проведение регрессионного и корреляционного анализа на основе 10000 входных данных, которые являются файлами в формате json многоуровневой вложенности.

Читать статью

@bigdatai

🎓 Математика для Data Scientist. Книги, курсы, лекции и рекомендации.

Математика — это краеугольный камень Data Science. Хотя некоторые теоремы, аксиомы и формулы кажутся слишком абстрактными и далекими от практики, на самом деле без них невозможно по-настоящему глубоко анализировать и систематизировать огромные массивы данных.

Для специалиста Data Science важны следующие направления математики:

- статистика;
- теория вероятностей;
- математический анализ;
- линейная алгебра.

💨 Читать дальше

@bigdatai

🗣 Новая модель распознавания русской речи и набор речевых данных

🖥 Github
⭐️ Dataset

@bigdatai

🛣 RoadDetections

47.8 миллионов километров дорог от Microsoft в виде открытых данных.

🖥 Github

@bigdatai

✔️ Большой список актуальных лекций, практик, книг и курсов по машинному обучению.

Список актуальных материалов, с которыми можно легко подготовиться к собеседованию по мл.

➡️ Список

@bigdatai

3️⃣8️⃣ лучших библиотек для Data Science, Визуализации данных и Машинного Обучения.

Мы решили, что будем группировать все библиотеки по общим признакам, будь то библиотеки для машинного обучения или библиотеки для математики. Тем не менее, все 38 из них будут полезны для разработки в Data Science.

✔️ Читать дальше

@bigdatai

⬆️ Квантовое машинное обучение: гид для начинающих

Квантовое машинное обучение – это область на пересечении квантовых вычислений и машинного обучения. Она включает в себя использование квантовых компьютеров для выполнения задач машинного обучения, таких как классификация, регрессия и кластеризация. Квантовые компьютеры – это мощные машины, которые используют квантовые биты (кубиты) вместо классических битов для хранения и обработки информации. Это позволяет им выполнять определенные задачи намного быстрее, чем классические компьютеры, что делает их особенно хорошо подходящими для задач машинного обучения, связанных с большими объемами данных.

➡️️Читать дальше

@bigdatai

🖥Интерактивный сайт для погружения в нейронные сети

Всё анаглядно и понятно с оригинальным дизайном

🔥 Смореть

@bigdatai

7️⃣лучших веб-сайтов для изучения Data Science: Совершенствуйте свои навыки и знания!

Важность непрерывного обучения в области Data Science и машинного обучения.

Непрерывное обучение так важно в этих областях, потому что там всё постоянно меняется! Постоянно разрабатываются новые методы и инструменты. Важно быть в курсе последних событий, если вы хотите оставаться конкурентоспособным на рынке труда и быть эффективным в своей работе. Кроме того, следование последним передовым технологиям и отраслевым стандартам – это просто хорошая практика, независимо от того, в какой области вы работаете.

➡️ Читать дальше

@bigdatai

🖥 Awesome ChatGPT prompts

Сборник лучших промптов для Ghatgpt

Awesome ChatGPT Prompts - это коллекция самых интересных и увлекательных подсказок, которые пользователи могут опробовать в ChatGPT.

🖥 Github

@bigdatai

🖥 Введение в Docker для начинающих

Я помню свой третий demo-проект. После сборки и тестирования проекта всё работало. В тот момент я отправил его человеку, который должен был демонстрировать его вместо меня. И вот, не задача, во время запуска возникла ошибка...

Чтобы сохранить собственную репутацию, я начал производить отладку. Проект не запускался потому, что тому человеку нужно было обновить программное обеспечение, чтобы у него работали новые функции. Я помог ему в этом, и, о чудо, всё заработало!

А теперь представьте, если бы мне нужно было разослать данный проект не одному человеку, а десятерым. Тогда мне пришлось бы помогать каждому, перенастраивать их компьютеры, чтобы новые функции успешно работали. Думаю, я бы испытал огромный стресс…

Было бы отлично, если бы существовало такое ПО, с помощью которого можно было бы упаковать всё необходимое для работы приложения в одном месте, а потом поделиться этим файлов с коллегами. Они бы скачивали файл и запускали его, при этом не получая ошибку. Но ведь такая программа существует! И называется она Docker.

Docker помогает решать эти проблемы. В этой статье объясняются основные концепции Docker, а также показано то, как создавать контейнеры для ваших приложений.

➡️ Читать дальше

@bigdatai