2020最新版coursera mooc Introduction to Data Science in Python 用于学习交流

Introducing_Data_Science_Big_Data-_Machine_Learning-_and_more-_using_Python_tools

作者是康奈尔大学著名的教授John Hopcroft所作，阐述了大数据相关的基本理论，和处理方法。是想要学习data science的同学的一个参考。

Loan_Default_Prediction：贷款违约预测的端到端机器学习过程，机器学习的最终项目ISpring2018 @ GWU

Copyright . 2019 by Cognella, Inc. All rights reserved. No part of this publication may be reprinted, reproduced, transmitted, or utilized in any form or by any electronic, mechanical, or other means, now known or hereafter invented, including photocopying, microfilming, and recording, or in any information retrieval system without the written permission of Cognella, Inc. For inquiries regarding permissions, translations, foreign rights, audio rights, and any other forms of reproduction, please contact the Cognella Licensing Department at rights@cognella.com. Trademark Notice: Product or corporate names may be trademarks or registered trademarks, and are used only for identification and explanation without intent to infringe. Cover image copyright. by Depositphotos / ikatod. Printed in the United States of America. 英文原版 超清

近年来，深度学习已经彻底改变了许多机器学习任务，从图像分类和视频处理到语音识别和自然语言理解。这些任务中的数据通常用欧几里得空间表示。然而，越来越多的应用从非欧几里得域生成数据，并表示为对象之间具有复杂关系和相互依赖关系的图。图数据的复杂性给现有的机器学习算法带来了巨大的挑战。近年来，许多关于图数据扩展深度学习方法的研究已经出现。在八报告中，提供了一个简明的图神经网络(GNNs)在数据挖掘和机器学习领域的概述。我们提出了一种新的分类方法，将最先进的图神经网络分为四类，即递归图神经网络、卷积图神经网络、图自编码器和时空图神经网络。我们进一步讨论了图神经网络在各个领域的应用，并总结了图神经网络的开源代码、基准数据集和模型评估。最后，我们提出了这一快速发展领域的潜在研究方向。

双频降水雷达Python软件包（DRpy） （发音为derpy） 注意：修复了io功能（2021年3月8日） 我期待使用自定义绘图功能。 在本月晚些时候给大家。 drpy.core.GPMDPR（）： 此类旨在从NASA的全球降水测量任务双频降水雷达（GPM-DPR）中读取hdf5文件到xarray数据集中。 drpy.core.APR（）： 此类旨在用于从NASA的机载降水雷达（主要在OLYMPEX中开发）中读取hdf5文件，因此，如果您使用其他活动时要当心，则某些数据集名称可能会有所不同。 创建此程序包的原因不是重新发明轮子（即h5py可以正常工作），而是允许用户访问xarray中的有用功能。 具体来说，当前支持的数据文件是2级DPR文件（2A.DPR *）。 拥有帐户后，您可以从这里免费下载它们：ftp://arthurhou.pps.eosdis.nasa.gov

Coursera作业 该存储库旨在帮助在学习过程中遇到困难的Coursera学习者。 测验和编程作业属于Coursera，请不要将其用于任何其他目的。 如有任何问题，请随时与我联系，我的电子邮件是 。 经济学院专业化高级机器学习 深度学习导论 Python数据科学导论 Python中的应用机器学习 大数据导论 大数据建模与管理系统 大数据交互与处理 文字检索和搜索引擎 文本挖掘和分析 数据挖掘中的模式发现 数据挖掘中的聚类分析 数据科学家的工具箱 R编程 获取和清理数据 算法工具箱 数据结构 图上的算法 字符串算法 神经网络与深度学习 改善深度神经网络的超参数调整，正则化和优化 构建机器学习项

Going beyond the conventional mathematics of probability theory, this study views the subject in a wider context. It discusses new results, along with applications of probability theory to a variety of problems. The book contains many exercises and is suitable for use as a textbook on graduate-level courses involving data analysis. Aimed at readers already familiar with applied mathematics at an advanced undergraduate level or higher, it is of interest to scientists concerned with inference from incomplete information. 本书将概率和统计推断融合在一起，用新的观点生动地描述了概率论在物理学、数学、经济学、化学和生物学等领域中的广泛应用，尤其是它阐述了贝叶斯理论的丰富应用，弥补了其他概率和统计教材的不足。全书分为两大部分。第一部分包括10章内容，讲解抽样理论、假设检验、参数估计等概率论的原理及其初等应用；第二部分包括12章内容，讲解概率论的高级应用，如在物理测量、通信理论中的应用。本书还附有大量习题，内容全面，体例完整。 　　本书内容不局限于某一特定领域，适合涉及数据分析的各领域工作者阅读，也可作为高年级本科生和研究生相关课程的教材。

该教科书针对大二或初三的计算机科学专业的本科生，提供了定性和定量数据分析，概率，随机变量和统计方法（包括机器学习）的综合背景。 通过认真地处理满足该课程的课程需求的主题，计算机科学的概率与统计具有以下特点： •主要处理离散案例的随机变量和期望的处理。 •模拟的实用方法，显示可以提取多少有趣的概率和期望，尤其着重于马尔可夫链。 •在简单的上下文中对简单点推理策略（最大似然；贝叶斯推理）的清晰但清晰的说明。扩展到涵盖一些置信区间，样本和总体以进行随机抽样替换，以及最简单的假设检验。 •有关分类的章节，说明为什么有用；如何训练具有随机梯度下降的SVM分类器；以及如何使用更高级方法的实现，例如随机森林和最近的邻居。 •有关回归的一章，解释了在实际问题中如何设置，使用和理解线性回归和最近邻回归。 •一章涉及主成分分析，仔细发展直觉，并包括许多实际示例。通过主坐标分析对多元缩放进行了简要描述。 •一章通过聚集方法和k均值处理聚类，展示了如何为复杂信号构建矢量量化特征。 贯穿各章的说明，每个主要章节都包含许多工作示例和其他教学元素，例如 框内的过程，定义，有用事实和“记住这一点”（简短提示）。问题和编程练习在每章的最后，总结了读者应该知道的内容。 教师资源包括针对所有问题的全套模型解决方案，以及带有随附演示幻灯片的《教师手册》。