Cotygodniowa dawka linków, czyli archiwum newslettera Dane i Analizy
Dzisiaj sporo rzeczy związanych z Wordle – bo to jest świetny poligon doświadczalny na analizę danych i kombinatorykę, ale też ciekawe są wyniki tego jak ludzie grają w tę grę (poniżej link do artykułu na ten temat).
Świetny jest też tekst Maćka Jak wykryć phishing.
Dla początkujących adeptów Pythona kilka solidnych podstaw – warto prześledzić wszystko z dzisiejszej sekcji #python_junior.
#AI_ML
Create an ML Powered Prediction Service in Minutes
Prosty i szybki sposób na umieszczanie modeli machine learningowych na produkcji
How to Build MLOps Pipelines with GitHub Actions
Utrzymywanie i wdrażanie kolejnych wersji kodu przy pomocy akcji na GitHubie można zastosować też do procesów MLOps, czyli takiego trochę CI/CD dla modeli machine learningowych
#analiza_danych_koncepcje
Is a Small Dataset Risky?
Dlaczego „sztuczna inteligencja” (oraz uczenie maszynowe) daje lepsze rezultaty kiedy karmiona jest większą ilością danych?
How Many Clusters?
Wiemy że nasze dane dzielą się na grupy i wiemy jakich algorytmów do tego podziału użyć. Ale ile tych grup jest?
W tekście ciekawostka – na ile grup zostanie podzielony zbiór pisanych ręcznie cyfr MNIST?
#big_data
Apache Kafka for beginners
Jak działa Kafka czyli narzędzie do strumieniowego przesyłania danych?
#ciekawostki
Peak Wordle & Word Difficulty
Wordle ale nie od strony rozwiązywania zagadek i znajdywania hasła dnia, a od strony tego jak zachowują się użytkownicy oraz czy słowa są trudne czy nie
I Created a Bot to Solve Wordle so I Never Have to Ever Again
Rowiązywanie zagadek w Wordle po raz pierwszy
Solving Wordle with Python
…i rozwiązywanie zagadek w Wordle po raz drugi
#deep_learning
Classification of Traffic Signs with LeNet-5 CNN
Zbiór MNIST znany. Zbiór Fashion-MNIST też znany. A znaki drogowe? Jak je rozpoznawać?
Dobre wprowadzenie do rozpoznawania obrazów
#python_junior
Struktury danych w Pythonie
Struktury danych to często podstawa nauki każdego z języków programowania – zatem wstęp dla Pythona
Understand *args And **kwargs in Python
Przydatny sposób na definiowanie argumentów funkcji w Pythonie – jak to działa?
Lambda Functions in Python | Map, Filter, and Reduce
„Mały, ale wariat” – tak chyba najlepiej określać te funkcje ;-)
Stop Using Python to Aggregate Data
Rzeczy bazodanowe niech robi baza danych – taki z tego tekstu płynie wniosek. Ale nauka płynie szersza, bo pokazuje jak z bazą danych się komunikować
#python_mid
SOLID Principles in Python
S = Single responsibility principle (Zasada jednej odpowiedzialności)
O = Open/closed principle (Zasada otwarte-zamknięte)
L = Liskov substitution principle (Zasada podstawienia Liskov)
I = Interface segregation principle (Zasada segregacji interfejsów)
D = Dependency inversion principle (Zasada odwrócenia zależności)
…w przykładach w Pythonie. Warto wcześniej przeczytać część pierwszą
Interactive Visualizations with Pandas, Seaborn and Ipywidgets
Interaktywne notebooki w Jupiterze? Suwaczki i wybieraczki sprawiające, że wykresy statyczne (np. w seabornie) ożyją?
#r
Working With Databases and SQL in RStudio
W RStudio można „współpracować” z bazami danych bezpośrednio, w SQLu. Jak?
#wizualizacja_danych
Create a Simple Project Planning App Using Streamlit and Gantt Chart
A gdyby tak przygotować proste narzędzie do rysowania wykresów Gantta?
Mapping the World’s Flight Paths with Python
…albo narzędzie do rysowania tras samolotów? Dużej liczby tych tras?
#środowisko_pracy
Mastering PyCharm Tutorial
Jedni wolą VSCode inni wolą PyCharma. Poznamy się tego drugiego
Zestawienie linków przygotowuje automat, wybacz więc wszelkie dziwactwa ;-)