Relph1119 / python-data-analysis
python数据分析(包括pandas、numpy、seaborn)
☆14Updated 2 years ago
Alternatives and similar repositories for python-data-analysis:
Users that are interested in python-data-analysis are comparing it to the libraries listed below
- python数据分析基础☆85Updated last year
- 机器学习实战算法,搭配《大话算法系列》,一节算法讲解+一节算法实战☆14Updated 4 years ago
- 机器学习 数据挖掘 案例和竞赛 代码☆8Updated 4 years ago
- 《机器学习及深度学习笔记》是我们的机器学习培训教材,主要面向算法和数据挖掘方向。其中包含了基础数学知识、算法原理及推导、调包实现、手推实现等内容~同样也是包括了文档以及jupyter notebook脚本实现(具体到每一张图片)☆68Updated 5 years ago
- 基于自构造函数的特征提取评分项目(缺失值处理,单变量相关性分析,特征评分,降维)☆15Updated 7 years ago
- 📖 Machine learning algorithms and deep learning algorithms☆26Updated last year
- 《Python数据分析与挖掘实战》源码和学习总结☆17Updated 4 years ago
- 《Python数据分析与应用》《Python数据分析与数据挖掘实战》课中、课后练习题源码☆49Updated 3 years ago
- 数据分析学习笔记,包括numpy、pandas、matplotlib、Seaborn库学习笔记,以及数据挖掘及分析实例☆22Updated 2 years ago
- 天池竞赛-智慧海洋开源代码☆53Updated 4 years ago
- 编程题题解:牛客网 & leetcode力扣☆38Updated last year
- 机器学习之数据分析《利用Python进行数据分析》Jupyter notebook☆8Updated 7 years ago
- Python3数据分析与挖掘建模实战 学习代码☆18Updated 7 years ago
- 旨在分享一些我在学习的过程中所收集使用到的一些书籍和资料,其中包括 数据挖掘 、算法、数据分析、机器学习、深度学习、深度学习框架、和一些大牛的笔记以及老师们的讲义供大家学习。☆36Updated 5 years ago
- 本Repository为中国人民大学朝乐门老师开源课程——《数据科学导论》☆106Updated 5 years ago
- 基于互联网金融平台2015年度贷款数据完成信贷违约预测模型,该模型可以作为信贷平台预测违约借款人的参考☆68Updated 6 years ago
- 《Python+Spark2.0+Hadoop机器学习与大数据实战》练习☆20Updated 5 years ago
- 机器学习、深度学习原理及实践☆19Updated 3 years ago
- 信用卡违约率分析☆19Updated 6 years ago
- 由机械工业出版社出版的python金融大数据分析,python学习手册三本经典书籍以及利用python进行数据分析机器代码。☆50Updated 8 years ago
- 《Python金融大数据分析》教材学习笔记☆39Updated 7 years ago
- 住房月租金预测大数据赛TOP1☆29Updated 6 years ago
- python爬虫及数据分析实战案例☆44Updated 4 years ago
- 《Python工具代码速查手册》是我们的python培训教材,主要面向数据分析方向。其中包含了python的常用总结性操作,使用jupyter notebook,利用markdown和script结果对常用操作进行总结,包括了使用方式和脚本。之所以使用notebook形式是…☆115Updated 5 years ago
- 数据 分析,挖掘建模。☆207Updated 3 years ago
- Python数据挖掘教程☆38Updated 3 years ago
- 天池大数据竞赛 千里马大赛 风险识别与预测赛题 Top5☆14Updated 5 years ago
- 《Spark 快速大数据分析》学习笔记☆41Updated last year
- 通过游戏埋点数据挖掘进行游戏用户流失分析☆23Updated 7 years ago
- 根据以 往的电话外呼数据以及用户数据信息,提取有价值信息,完成数据分析报告,构建预测模型,提交部署,应用于现有存量用户,下采样,逻辑回归模型召回率87%。☆9Updated 7 years ago