数据可视化作为数据科学的第一英里和最后一英里：Plotly Express 和 Dash 的 SciPy 2021 演讲 此存储库包含演示文稿中使用的 Jupyter Notebook。 链接到（25 分钟谈话 + 5 分钟问题） 链接到（6 张小幻灯片） 演示文稿中的有用链接： 应用： 资源：

AI-LAB：此存储库包含一个docker映像，我可以用它以简单的方式开发自己的人工智能应用程序。 Python，TensorFlow，PyTorch，ONNX，Keras，OpenCV，TensorRT，Numpy，Jupyter笔记本...：whale2：

File descriptions • /stage1_train/* - training set images (images and annotated masks) • /stage1_test/* - stage 1 test set images (images only, you are predicting the masks) • /stage2_test/* (released later) - stage 2 test set images (images only, you are predicting the masks) • stage1_sample_submission.csv - a submission file containing the ImageIds for which you must predict during stage 1 • stage2_sample_submission.csv (released later) - a submission file containing the ImageIds for which you must predict during stage 2 • stage1_train_labels.csv - a file showing the run-length encoded representation of the training images. This is provided as a convenience and is redundant with the mask image files.

数据科学 - 获取和清理数据课程项目 由于我在 John Hopkin 的在线数据科学课程中学习数据科学的旅程而创建了这个 repo 数据源 数据源可。 运行分析.R 该脚本由一个函数runAnalysis()组成，该函数执行以下操作： 合并训练集和测试集以创建一个数据集。 仅提取每个测量值的平均值和标准偏差的测量值。 使用描述性活动名称来命名数据集中的活动。 使用描述性变量名称适当地标记数据集。 根据步骤 4 中的数据集，创建第二个独立的 tidy 数据集，其中包含每个活动和每个主题的每个变量的平均值。 要运行脚本，请键入： source('run_analysis.R') runAnalysis() 输出： reading train data... reading test data... reading other required files.. mergi

A Primer with MATLAB® and Python™ present important information on the emergence of the use of Python, a more general purpose option to MATLAB, the preferred computation language for scientific computing and analysis in neuroscience. This book addresses the snake in the room by providing a beginner’s introduction to the principles of computation and data analysis in neuroscience, using both Python and MATLAB, giving readers the ability to transcend platform tribalism and enable coding versatility. Includes discussions of both MATLAB and Python in parallel Introduces the canonical data analysis cascade, standardizing the data analysis flow Presents tactics that strategically, tactically, and algorithmically help improve the organization of code

365数据科学 此回购包含365 Datascience的Data Science课程的所有练习文件。 仓库被分成相关的文件夹，还有一个练习文件夹，其中包含该课程的所有文件。 跟我来了解更多Python / ML资源。 别忘了给它加注星：D

neo4j-graph-data-science-1.6.1-standalone.zip

中国科学技术大学 研究生课程 数据科学导论 Introduction to Data Science 课件PPT 主讲 刘琪

质子交换膜（PEM）燃料电池数据集 概述 该数据集是关于在各种操作条件下对PEM燃料电池进行的Nafion 112膜标准测试和MEA活化测试。 数据集包括两种通用的电化学分析方法：极化和阻抗曲线。 在该数据集中，考虑了H2 / O2气体的不同压力，不同的电压和不同的湿度条件在几个步骤中的影响。 可以从数据中得出PEM燃料电池在不同运行条件测试，激活程序以及激活分析前后不同运行条件期间的行为。 在极化曲线中，电压和功率密度随H2 / O2流量和相对湿度的变化而变化。 燃料电池使用的等效电路的电阻可以根据阻抗数据来计算。 因此，在给出的数据中该电池的实验响应是显而易见的，这对于PEM燃料电池研究中的深度分析，模拟和材料性能研究很有用。 有关MEA（膜电极组件）激活程序的更多信息，请访问 测验 笔记本电脑 我们提供了一些Jupyter笔记本来可视化数据，请访问此处 引用 如果您在研究中使用此

纽约市-Airbnb-数据产品 纽约市Airbnb数据的数据分析，可视化和预测 描述 该项目分析了2019年从纽约市地区收集的Airbnb数据，该数据的列表范围从私人住宅到房间，邻里，邻里群体，价格等。该项目的目标是创建一个可以预测的模型未来的AirBnb价格以及城市中哪些街区最有利可图。 数据源 该公开数据集是Airbnb的一部分，其原始资源可在此上。 它包含定性和定量数据的混合，有48,895个条目和16列。 我们的模型将包括34,218个培训条目和14,666个测试目标标签PRICE的条目。 结果 模型 RSME平均值 RSME平均10倍 线性回归 0.495 0.498 随机森林回归 0.493 0.509 XgBoost 0.473 N 套索回归 0.693 0.698 模型 准确性 随机森林分类器 83.4％ 逻辑回归 84.5％ （整体最佳） 决策树 8