Больше шпаргалок по науке о данных

Пришло время снова взглянуть на новую подборку шпаргалок по науке о данных. Здесь вы можете найти краткую подборку таких ресурсов, которые могут помочь при работе в области анализа данных.

Первая часть находится здесь https://uproger.com/ogromnyj-spisok-shpargalok-data-science-na-vse-sluchai-zhizni/ . Шпаргалки по науке о данных повсюду, от вводных до продвинутых, охватывая темы от алгоритмов до статистики, советов по собеседованию и так далее.

Но что делает хорошую шпаргалку? Трудно точно определить, что делает шпаргалку хорошей, но очевидно, что та, которая кратко передает важную информацию — будь то информация конкретного или общего характера — определенно является достойной внимания. Итак, представляем четыре тщательно подобранных шпаргалки, которые помогут вам в изучении или в работе Data Science.

https://t.me/data_analysis_ml – анализ данных.

Первая, это «Шпаргалка по науке о данных 2.0» Аарона Ванга, четырехстраничный сборник по статистике , фундаментальных алгоритмов машинного обучения, а также тем и концепций глубокого обучения. Он не претендует на то, чтобы быть исчерпывающим, а скорее является кратким справочником для подготовки к собеседованию и экзаменов. Автор отмечает, что в то время как те, у кого есть базовые знания о статистике и линейной алгебре, найдут этот ресурс наиболее полезным, новички также смогут почерпнуть полезную информацию из шпаргалки.

Шпаргалка Maverick Lin по науке о данных. Шпаргалка раскрывает более фундаментальные концепции науки о данных, такие как очистка данных, модели мл , big data с помощью Hadoop, SQL и даже основ Python.

Это определенно еще один полезный ресурс, особенно если читатель новичок в науке о данных.

Шпаргалка по вероятностям 2.0 Уильяма Чена. Шпаргалка Чена на протяжении многих лет привлекала большое внимание , поэтому вы, возможно, когда-то сталкивались с ней. Шпаргалка, представляет собой ускоренный курс и обзор вероятностных концепций, включая различные распределения, ковариацию и байеса, условное математическое ожидание, цепи Маркова, различные формулы важности и гораздо больше.

Она также богата пояснительными визуализациями, что очень полезно.

Последний ресурс, который я включаю сюда, хотя и не является технически шпаргалкой, — это «Machine Learning Bites» Ришаба Ананда.

Шпаргалка является «путеводителем по общепринятым концепциям машинного обучения, передовым методам глубокого обучения, определениям и теории», Ананд собрал обширную коллекцию знаний. Темы, затронутые в рамках, включают:

-Метрики оценки модели
-Совместное использование параметров
– Перекрестная проверка
– Типы данных Python
-Улучшение производительности модели
– Модели компьютерного зрения
– Обработка дисбаланса классов
– Глоссарий компьютерного зрения
– Обратное распространение
– Регуляризация
и другое