Главная страница>Связанные с программированием>AI Исходный код
Скачать

Списки всех учебных материалов и практических инструментов, связанных с ИИ, для начала работы с приложениями ИИ.

Дизайнерское мышление – Введение

  • Стэнфордский виртуальный ускоренный курс дизайнерского мышления

Учебные материалы по веб-сервисам Amazon

  • Сессия AWS AI. На сессии представлен обзор всех предложений технологий искусственного интеллекта Amazon (Lex, Polly, Rekognition, ML и Deep Learning AMI).

Лаборатории для самостоятельного обучения

Лабораторные занятия AWS для самостоятельного обучения предоставляют практическую практику в реальной среде AWS с сервисами AWS и реальными облачными сценариями. Следуйте пошаговым инструкциям, чтобы изучить услугу, попрактиковаться в ее использовании или подготовиться к сертификации AWS.

Вводная лаборатория

  • Введение в AWS Lambda

Лекс

  • Знакомство с Amazon Lex
  • Вебинар Amazon Lex
  • Amazon Lex: диалоговый интерфейс AWS (чат-бот)
  • Документация

Полли

  • Знакомство с Amazon Polly
  • Вебинар Amazon Полли —
  • Amazon Polly — сервис преобразования текста в речь (TTS) AWS
  • Документация
    • Что такое Амазон Полли?
    • Ресурсы для разработчиков

Признание

  • Введение в Amazon Rekognition
  • Amazon Rekognition — вебинар по анализу изображений на основе глубокого обучения
  • Amazon Rekognition — сервис распознавания изображений AWS
  • Документация. Что такое Amazon Rekognition?

Машинное обучение

  • Машинное обучение

  • Сессия 1. Расширение возможностей разработчиков для создания интеллектуальных приложений

  • Сессия 2. Прогнозирование оттока клиентов с помощью машинного обучения Amazon

  • AWS Machine Learning — комплексный управляемый сервис для создания и тестирования моделей машинного обучения, а затем внедрения этих моделей в производство.

  • Документация

    • Что такое машинное обучение Amazon?
    • Ресурсы для разработчиков

  • AWS Deep Learning AMI — Amazon Machine Image (AMI), оптимизированный для глубокого обучения

Рекомендуемые дополнительные ресурсы

Поднимите свои навыки на новый уровень с помощью лабораторий фундаментального, продвинутого и экспертного уровня.

  • Создание экземпляров Amazon EC2 с помощью Microsoft Windows
  • Создание вашего первого виртуального частного облака Amazon (VPC)
  • Работа с AWS CodeCommit в Windows
  • Работа с Amazon DynamoDB

Google Cloud – учебные материалы

Ниже приведен учебный материал, который поможет вам изучить Google Cloud.

Сеть

  • Нетворкинг 101 – 43 минуты

Codelab предоставляет общие возможности облачных разработчиков следующим образом:

  • Настройте свою лабораторную среду и узнайте, как работать со средой GCP.
  • Использование распространенных инструментов с открытым исходным кодом для исследования вашей сети по всему миру.
  • Разверните распространенный вариант использования: использование балансировки нагрузки HTTP и групп управляемых экземпляров для размещения масштабируемого многорегионального веб-сервера.
  • Тестирование и мониторинг вашей сети и экземпляров.
  • Уборка.

Разработка решений для Google Cloud Platform – 8 часов

Инфраструктура

  • Создание бота Slack с помощью Node.js в Kubernotes – 43 минуты
  • Создание виртуальной машины – 10 минут
  • Начало работы с App Engine (Python) – 13 минут

Данные

  • Введение в подготовку данных Google Cloud – 7 минут
  • Создание управляемой базы данных MySQL с помощью Cloud SQL – 19 минут
  • Загрузка объектов в облачное хранилище – 11 минут

ИИ, большие данные и машинное обучение

  • Введение в облачное машинное обучение Google – 1 час.
  • API машинного обучения на примере – 30 мин.
  • Google Cloud Platform: большие данные и основы машинного обучения

Дополнительные материалы по ИИ

  • Авто-отлично: продвинутая обработка данных на Google Cloud Platform – 45 минут
  • Запуск конвейера обработки больших данных текста в Cloud Dataflow – 21 мин.
  • Классификация изображений с использованием Cloud ML Engine и Datalab – 58 мин.
  • Регрессия структурированных данных с использованием Cloud ML Engine и Datalab – 58 мин.

(Необязательно) Глубокое обучение и тензорный поток

  • Учебное пособие по Tensorflow и глубокому обучению – 2:35 часа
  • Курс глубокого обучения – только для опытных пользователей

Дополнительный справочный материал

  • Большие данные и машинное обучение @ Google Cloud Next '17 – коллекция из 49 видеороликов

Учебные материалы IBM Watson

(Вклады приветствуются в этом пространстве)

  • Обзор IBM Watson
  • Когнитивные API IBM Watson
  • Студия знаний IBM Watson

Визуальная Студия

Наборы данных UCI

Учебные материалы по чат-ботам Microsoft

Навыки

  • Гит и Гитхаб
  • NodeJS
  • VS-код IDE

Пути обучения

Если у вас есть вышеуказанные обязательные навыки, выберите путь повышения квалификации или путь обучения для новичков.

Предварительные руководства

  • Гит и Гитхаб
  • Node.js
    • Учебники по Node.js для начинающих
    • Учебное пособие по Node.js в VS Code
  • Введение в код Visual Studio

Путь обучения для новичков

Настройка среды

  • Загрузите и установите Git
  • Настройте учетную запись GitHub_
  • Загрузите и установите NodeJS
  • Загрузите и установите IDE — код Visual Studio
  • Загрузите и установите эмулятор Bot Framework.
  • Git клонирует проект Bot Education — git clone
  • Настройка бесплатной пробной учетной записи Azure

Когнитивные службы (определение интеллекта)

  • Прочтите образовательную презентацию Cognitive Services ADS – git clone
  • Ознакомьтесь с руководством по пониманию естественного языка с помощью LUIS.
  • Завершите учебную лабораторию НЛП (LUIS) из установленного проекта Bot Education — bot-educationStudent-ResourcesLabsCognitiveServicesLab_SetupLanguageModel.md.

Bot Framework (создание чат-ботов)

  • Прочтите образовательную презентацию Bot Framework ADS, скачанную по адресу (Ваш путь)bot-extras.
  • Просмотрите документацию по Bot Framework (основные концепции, построитель ботов для NodeJS и Bot Intelligence).
  • Настройте локальную среду и запустите эмулятор из установленного проекта Bot Education — bot-educationStudent-ResourcesLabsNodeLab1_SetupCheckModel.md
  • Просмотрите и протестируйте в эмуляторе «bot-hello» из bot-educationStudent-ResourcesBOTsNodebot-hello.

Путь повышения квалификации

Настройка среды

  • Загрузите и установите Git
  • Настройте учетную запись GitHub_
  • Загрузите и установите NodeJS
  • Загрузите и установите IDE — код Visual Studio
  • Загрузите и установите эмулятор Bot Framework.
  • Git клонирует проект Bot Education — git clone
  • Настройка бесплатной пробной учетной записи Azure
  • Git клонирует образцы Bot Builder – git clone

Когнитивные службы (определение интеллекта)

  • Прочитайте образовательную презентацию Cognitive Services ADS – git clone
  • Ознакомьтесь с руководством по пониманию естественного языка с помощью LUIS.

Bot Framework (создание чат-ботов)

  • Прочтите образовательную презентацию Bot Framework ADS, скачанную по адресу (Ваш путь)bot-extras.
  • Просмотрите документацию по Bot Framework (основные концепции, построитель ботов для NodeJS и Bot Intelligence).
  • Настройте локальную среду и запустите эмулятор из установленного проекта Bot Education — bot-educationStudent-ResourcesLabsNodeLab1_SetupCheckModel.md

Когнитивные службы (Определение интеллекта) – Лаборатории

  • Завершите учебную лабораторию НЛП (LUIS) из установленного проекта BOT Education.
    • bot-educationStudent-ResourcesLabsCognitiveServicesLab_SetupLanguageModel.md
  • Просмотрите, разверните и запустите образец LUIS BOT.

Bot Framework (создание чат-ботов) – Лаборатории

  • Настройте локальную среду и запустите эмулятор из установленного проекта Bot Education.
    • bot-educationStudent-ResourcesLabsNodeLab1_SetupCheckModel.md
  • Просмотрите и протестируйте в эмуляторе «бот-привет» от
    • bot-educationStudent-ResourcesBOTsNodebot-hello
  • Просмотрите и протестируйте в эмуляторе «боты-распознаватели» от
    • bot-educationStudent-ResourcesBOTsNodebot-распознаватели

Видео лекций

<title></title> <script src="js/navigation.js"></script>

Источник Беркли

Название лекции Преподаватель Семестр
Лекция 1 Введение Дэн Кляйн Осень 2012 г.
Лекция 2 Неинформированный поиск Дэн Кляйн Осень 2012 г.
Лекция 3 Информированный поиск Дэн Кляйн Осень 2012 г.
Лекция 4 Проблемы удовлетворения ограничений I Дэн Кляйн Осень 2012 г.
Лекция 5 Проблемы удовлетворения ограничений II Дэн Кляйн Осень 2012 г.
Лекция 6 Состязательный поиск Дэн Кляйн Осень 2012 г.
Лекция 7 Expectimax и утилиты Дэн Кляйн Осень 2012 г.
Лекция 8 Марковские процессы принятия решений I Дэн Кляйн Осень 2012 г.
Лекция 9 Марковские процессы принятия решений II Дэн Кляйн Осень 2012 г.
Лекция 10 Обучение с подкреплением I Дэн Кляйн Осень 2012 г.
Лекция 11 Обучение с подкреплением II Дэн Кляйн Осень 2012 г.
Лекция 12 Вероятность Питер Аббель Весна 2014 г.
Лекция 13 Марковские модели Питер Аббель Весна 2014 г.
Лекция 14 Скрытые марковские модели Дэн Кляйн Осень 2013 г.
Лекция 15 Применение HMM/Речь Питер Аббель Весна 2014 г.
Лекция 16 Сети Байеса: представление Питер Аббель Весна 2014 г.
Лекция 17 Сети Байеса: независимость Питер Аббель Весна 2014 г.
Лекция 18 Сети Байеса: вывод Питер Аббель Весна 2014 г.
Лекция 19 Сети Байеса: выборка Питер Аббель Осень 2013 г.
Лекция 20 Диаграммы принятия решений / Ценность совершенной информации Питер Аббель Весна 2014 г.
Лекция 21 Машинное обучение: наивный Байес Николас Хэй Весна 2014 г.
Лекция 22 Машинное обучение: перцептроны Питер Аббель Весна 2014 г.
Лекция 23 Машинное обучение: ядра и кластеризация Питер Аббель Весна 2014 г.
Лекция 24 Продвинутые приложения: НЛП, игры и роботизированные автомобили. Питер Аббель Весна 2014 г.
Лекция 25 Передовые приложения: компьютерное зрение и робототехника Питер Аббель Весна 2014 г.

Кроме того, к материалам лекции есть дополнительные пошаговые видеоролики. Эти видео перечислены ниже:

Название лекции Преподаватель Примечания
СБС-1 ДФС и БФС Питер Аббель Лек: Неосведомленный поиск
СБС-2 А* Поиск Питер Аббель Лек: Информированный поиск
СБС-3 Альфа-бета обрезка Питер Аббель Лек: Состязательный поиск
СБС-4 D-разделение Питер Аббель Лек: Сети Байеса: Независимость
СБС-5 Устранение одной переменной Питер Аббель Лек: Сети Байеса: вывод
СБС-6 Удаление переменных Питер Аббель Лек: Сети Байеса: вывод
СБС-7 Выборка Питер Аббель Лек: Сети Байеса: выборка
СБС-8 Максимальная вероятность Питер Аббель Лек: Машинное обучение: наивный Байес
СБС-9 Сглаживание по Лапласу Питер Аббель Лек: Машинное обучение: наивный Байес
СБС-10 Персептроны Питер Аббель Лек: Машинное обучение: персептроны.



******************

Видеоархив за семестр (Беркли)

Видеолекции из последних предложений размещены ниже.

Видео лекций весны 2014 г.
Видео лекций осени 2013 г.
Видео лекций весны 2013 г.
Видео лекций осени 2012 г.

Весна 2014 г.

Название лекции Преподаватель Примечания
Лекция 1 Введение Питер Аббель
Лекция 2 Неинформированный поиск Питер Аббель
Лекция 3 Информированный поиск Питер Аббель
Лекция 4 Проблемы удовлетворения ограничений I Питер Аббель Запись немного нестабильна, альтернативу см. в 4-й лекции осени 2013 г.
Лекция 5 Проблемы удовлетворения ограничений II Питер Аббель
Лекция 6 Состязательный поиск Питер Аббель
Лекция 7 Expectimax и утилиты Питер Аббель
Лекция 8 Марковские процессы принятия решений I Питер Аббель
Лекция 9 Марковские процессы принятия решений II Питер Аббель
Лекция 10 Обучение с подкреплением I Питер Аббель
Лекция 11 Обучение с подкреплением II Питер Аббель
Лекция 12 Вероятность Питер Аббель
Лекция 13 Марковские модели Питер Аббель
Лекция 14 Скрытые марковские модели Питер Аббель Запись немного нестабильна, альтернативу можно найти в лекции 18 осени 2013 г.
Лекция 15 Применение HMM/Речь Питер Аббель
Лекция 16 Сети Байеса: представление Питер Аббель
Лекция 17 Сети Байеса: независимость Питер Аббель
Лекция 18 Сети Байеса: вывод Питер Аббель
Лекция 19 Сети Байеса: выборка Питер Аббель Незаписано, см. лекцию 16, осень 2013 г.
Лекция 20 Диаграммы принятия решений / Ценность совершенной информации Питер Аббель
Лекция 21 Машинное обучение: наивный Байес Николас Хэй
Лекция 22 Машинное обучение: перцептроны Питер Аббель
Лекция 23 Машинное обучение: ядра и кластеризация Питер Аббель
Лекция 24 Продвинутые приложения: НЛП, игры и роботизированные автомобили. Питер Аббель
Лекция 25 Передовые приложения: компьютерное зрение и робототехника Питер Аббель
Лекция 26 Заключение Питер Аббель Незаписанный


******************

Осень 2013 г.

Название лекции Преподаватель Примечания
Лекция 1 Введение Дэн Кляйн
Лекция 2 Неинформированный поиск Дэн Кляйн
Лекция 3 Информированный поиск Дэн Кляйн
Лекция 4 Проблемы удовлетворения ограничений I Дэн Кляйн
Лекция 5 Проблемы удовлетворения ограничений II Дэн Кляйн
Лекция 6 Состязательный поиск Дэн Кляйн
Лекция 7 Expectimax и утилиты Дэн Кляйн
Лекция 8 Марковские процессы принятия решений I Дэн Кляйн
Лекция 9 Марковские процессы принятия решений II Дэн Кляйн
Лекция 10 Обучение с подкреплением I Дэн Кляйн
Лекция 11 Обучение с подкреплением II Дэн Кляйн
Лекция 12 Вероятность Питер Аббель
Лекция 13 Сети Байеса: представление Питер Аббель
Лекция 14 Сети Байеса: независимость Дэн Кляйн
Лекция 15 Сети Байеса: вывод Питер Аббель
Лекция 16 Сети Байеса: выборка Питер Аббель
Лекция 17 Диаграммы принятия решений / Ценность совершенной информации Питер Аббель
Лекция 18 Скрытые марковские модели Дэн Кляйн
Лекция 19 Применение HMM/Речь Дэн Кляйн
Лекция 20 Машинное обучение: наивный Байес Дэн Кляйн
Лекция 21 Машинное обучение: перцептроны Дэн Кляйн
Лекция 22 Машинное обучение: ядра и кластеризация Питер Аббель
Лекция 23 Машинное обучение: деревья решений и нейронные сети Питер Аббель
Лекция 24 Продвинутые приложения: НЛП и роботизированные автомобили Дэн Кляйн Незаписано, см. лекцию 24, весна 2013 г.
Лекция 25 Передовые приложения: компьютерное зрение и робототехника Питер Аббель
Лекция 26 Заключение Дэн Кляйн,
Питер Аббель		 Незаписанный

******************

Весна 2013 г.

Название лекции Преподаватель Примечания
Лекция 1 Введение Питер Аббель Видео вниз
Лекция 2 Неинформированный поиск Питер Аббель
Лекция 3 Информированный поиск Питер Аббель
Лекция 4 Проблемы удовлетворения ограничений I Питер Аббель
Лекция 5 Проблемы удовлетворения ограничений II Питер Аббель Незаписано, см. лекцию 5, осень 2012 г.
Лекция 6 Состязательный поиск Питер Аббель
Лекция 7 Expectimax и утилиты Питер Аббель
Лекция 8 Марковские процессы принятия решений I Питер Аббель
Лекция 9 Марковские процессы принятия решений II Питер Аббель
Лекция 10 Обучение с подкреплением I Питер Аббель
Лекция 11 Обучение с подкреплением II Питер Аббель
Лекция 12 Вероятность Питер Аббель
Лекция 13 Сети Байеса: представление Питер Аббель
Лекция 14 Сети Байеса: независимость Питер Аббель
Лекция 15 Сети Байеса: вывод Питер Аббель
Лекция 16 Сети Байеса: выборка Питер Аббель
Лекция 17 Диаграммы принятия решений / Ценность совершенной информации Питер Аббель
Лекция 18 Скрытые марковские модели Питер Аббель
Лекция 19 Применение HMM/Речь Питер Аббель
Лекция 20 Машинное обучение: наивный Байес Питер Аббель
Лекция 21 Машинное обучение: персептроны I Николас Хэй
Лекция 22 Машинное обучение: персептроны II Питер Аббель
Лекция 23 Машинное обучение: ядра и кластеризация Питер Аббель
Лекция 24 Продвинутые приложения: НЛП и роботизированные автомобили Питер Аббель
Лекция 25 Передовые приложения: компьютерное зрение и робототехника Питер Аббель
Лекция 26 Заключение Питер Аббель Незаписанный

******************

Осень 2012 г.

Название лекции Преподаватель Примечания
Лекция 1 Введение Дэн Кляйн
Лекция 2 Неинформированный поиск Дэн Кляйн
Лекция 3 Информированный поиск Дэн Кляйн
Лекция 4 Проблемы удовлетворения ограничений I Дэн Кляйн
Лекция 5 Проблемы удовлетворения ограничений II Дэн Кляйн
Лекция 6 Состязательный поиск Дэн Кляйн
Лекция 7 Expectimax и утилиты Дэн Кляйн
Лекция 8 Марковские процессы принятия решений I Дэн Кляйн
Лекция 9 Марковские процессы принятия решений II Дэн Кляйн
Лекция 10 Обучение с подкреплением I Дэн Кляйн
Лекция 11 Обучение с подкреплением II Дэн Кляйн
Лекция 12 Вероятность Питер Аббель
Лекция 13 Сети Байеса: представление Питер Аббель
Лекция 14 Сети Байеса: независимость Питер Аббель
Лекция 15 Сети Байеса: вывод Питер Аббель
Лекция 16 Сети Байеса: выборка Питер Аббель
Лекция 17 Диаграммы принятия решений / Ценность совершенной информации Питер Аббель
Лекция 18 Скрытые марковские модели Питер Аббель
Лекция 19 Применение HMM/Речь Дэн Кляйн
Лекция 20 Машинное обучение: наивный Байес Дэн Кляйн
Лекция 21 Машинное обучение: перцептроны Дэн Кляйн
Лекция 22 Машинное обучение: ядра и кластеризация Дэн Кляйн
Лекция 23 Машинное обучение: деревья решений и нейронные сети Питер Аббель
Лекция 24 Передовые приложения: компьютерное зрение и робототехника Питер Аббель
Лекция 25 Продвинутые приложения: НЛП и роботизированные автомобили Дэн Кляйн,
Питер Аббель		 Незаписанный
Лекция 26 Заключение Дэн Кляйн,
Питер Аббель		 Незаписанный



******************

Слайды лекций

Вот полный набор слайдов лекций, включая видео и видео демонстраций, представленных в лекции: Слайды [~3 ГБ].

В списке ниже представлены все слайды лекций в PowerPoint:

  • Лекция 1: Введение
  • Лекция 2: Неинформированный поиск
  • Лекция 3: Информированный поиск
  • Лекция 4: CSP I
  • Лекция 5: CSP II
  • Лекция 6: Состязательный поиск
  • Лекция 7: Поиск Expectimax и утилиты
  • Лекция 8: MDP I
  • Лекция 9: MDP II
  • Лекция 10: Обучение с подкреплением I
  • Лекция 11: Обучение с подкреплением II
  • Лекция 12: Вероятность
  • Лекция 13: Марковские модели
  • Лекция 14: Скрытые марковские модели
  • Лекция 15: Фильтры частиц и применение HMM
  • Лекция 16: Сети Байеса I: Представление
  • Лекция 17: Сети Байеса II: Независимость
  • Лекция 18: Сети Байеса III: Вывод
  • Лекция 19: Сети Байеса IV: Выборка
  • Лекция 20: Диаграммы решений и VPI
  • Лекция 21: Наивный Байес
  • Лекция 22: Персептрон
  • Лекция 23: Ядра и кластеризация
  • Лекция 24: Продвинутые приложения (НЛП, игры, автомобили)
  • Лекция 25: Передовые приложения (компьютерное зрение и робототехника)
  • Лекция 26: Заключение

Исходные файлы для всех демонстраций лекций готовятся к выпуску в Berkeley AI.

Избранные научные статьи

  • Последние поданные документы в формате arxiv на AI

  • Питер Норвиг – Научитесь программированию за десять лет

  • Как проводить исследования в лаборатории искусственного интеллекта Массачусетского технологического института

  • Дорожная карта по направлению к машинному интеллекту

  • Совместная фильтрация с помощью рекуррентных нейронных сетей (2016)

  • Широкое и глубокое обучение для рекомендательных систем (2016 г.)

  • Глубокая совместная фильтрация с помощью автокодировщика с маргинальным шумоподавлением (2015)

  • Непараметрическая байесовская многозадачная совместная фильтрация (2013)

  • Tensorflow: крупномасштабное машинное обучение в гетерогенных распределенных системах

  • https://infoscience.epfl.ch/record/82802/files/rr02-46.pdf

  • Theano: компилятор математических выражений для процессоров и графических процессоров.

  • Caffe: сверточная архитектура для быстрого внедрения функций.

  • Chainer: мощная, гибкая и интуитивно понятная среда нейронных сетей.

  • Крупномасштабные распределенные глубокие сети

  • Крупномасштабная классификация видео с помощью сверточных нейронных сетей

  • Эффективная оценка представлений слов в векторном пространстве

  • Грамматика как иностранный язык

  • Углубляемся со свертками

  • О ВЫПРАВЛЯЕМЫХ ЛИНЕЙНЫХ ЕДИНИЦАХ ОБРАБОТКИ РЕЧИ

  • Глубокие нейронные сети для акустического моделирования в распознавании речи: общие взгляды четырех исследовательских групп.

  • Распознавание многозначных чисел на изображениях Street View с использованием глубоких сверточных нейронных сетей

  • Google передает свой прибыльный веб-поиск машинам с искусственным интеллектом

Стэнфордская программа CS 20SI: Тензорный поток для исследований в области глубокого обучения

  • Персонализированные пояснения рекомендаций на естественном языке на основе толпы

Сравнительное исследование программных инфраструктур глубокого обучения

** Reddit_ML – Что вы читаете**

  • Социальные боты на базе искусственного интеллекта (16 июня 2017 г.)

Множество племен искусственного интеллекта

Источник: https://medium.com/intuitionmachine/infographic-best-practices-in-training-deep-learning-networks-b8a3df1db53.


******************

Дорожная карта глубокого обучения

Источник: https://medium.com/intuitionmachine/the-deep-learning-roadmap-f0b4cac7009a


******************

Лучшие практики для обучения сетей глубокого обучения

Источник: https://medium.com/intuitionmachine/infographic-best-practices-in-training-deep-learning-networks-b8a3df1db53.


Шпаргалки по ML/DL

Архитектуры нейронных сетей

Источник: http://www.asimovinstitute.org/neural-network-zoo/


Блок-схема алгоритма Microsoft Azure

Источник: https://docs.microsoft.com/en-us/azure/machine-learning/machine-learning-algorithm-cheat-sheet.


Блок-схема алгоритма SAS

Источник: http://blogs.sas.com/content/subciousmusings/2017/04/12/machine-learning-algorithm-use/


******************

Краткое описание алгоритма

Источник: http://machinelearningmastery.com/a-tour-of-machine-learning-algorithms/.


****************** Источник: http://thinkbigdata.in/best-known-machine-learning-algorithms-infographic/


****************** ### Алгоритм за/против Источник: https://blog.dataiku.com/machine-learning-explained-algorithms-are-your-friend


******************

Питон

Алгоритмы

Источник: https://www.analyticsvidhya.com/blog/2015/09/full-cheatsheet-machine-learning-algorithms/


******************

Основы Python

Источник: http://datasciencefree.com/python.pdf.


******************

Источник: https://www.datacamp.com/community/tutorials/python-data-science-cheat-sheet-basics#gs.0x1rxEA


******************

Нампи

Источник: https://www.dataquest.io/blog/numpy-cheat-sheet/


******************

Источник: http://datasciencefree.com/numpy.pdf.


******************

Источник: https://www.datacamp.com/community/blog/python-numpy-cheat-sheet#gs.Nw3V6CE.


Источник: https://github.com/donnemartin/data-science-ipython-notebooks/blob/master/numpy/numpy.ipynb


******************

Панды

Источник: http://datasciencefree.com/pandas.pdf.


******************

Источник: https://www.datacamp.com/community/blog/python-pandas-cheat-sheet#gs.S4P4T=U.


******************

Источник: https://github.com/donnemartin/data-science-ipython-notebooks/blob/master/pandas/pandas.ipynb


Матплотлиб

Источник: https://www.datacamp.com/community/blog/python-matplotlib-cheat-sheet.


Источник: https://github.com/donnemartin/data-science-ipython-notebooks/blob/master/matplotlib/matplotlib.ipynb


Научное обучение

Источник: https://www.datacamp.com/community/blog/scikit-learn-cheat-sheet#gs.fZ2A1Jk.


Источник: http://peekaboo-vision.blogspot.de/2013/01/machine-learning-cheat-sheet-for-scikit.html.


Источник: https://github.com/rcompton/ml_cheat_sheet/blob/master/supervised_learning.ipynb.


******************

Тензорный поток

Источник: https://github.com/aymericdamien/TensorFlow-Examples/blob/master/notebooks/1_Introduction/basic_operations.ipynb


Пайторч

Источник: https://github.com/bfortuner/pytorch-cheatsheet.


******************

Математика

Вероятность

Источник: http://www.wzchen.com/s/probability_cheatsheet.pdf.


******************

Линейная алгебра

Источник: https://minireference.com/static/tutorials/linear_algebra_in_4_pages.pdf.


******************

Статистика

Источник: http://web.mit.edu/~csvoss/Public/usabo/stats_handout.pdf.


Исчисление

Источник: http://tutorial.math.lamar.edu/getfile.aspx?file=B,41,N


Расширять
Дополнительная информация
Связанные приложения
Рекомендуем вам
Связанные новости Все