Programowanie
-
Uczenie maszynowe z użyciem Scikit-Learn, Keras i TensorFlow. Wydanie III
-
Python w analizie danych. Przetwarzanie danych za pomocą pakietów pandas i NumPy oraz środowiska Jupyter. Wydanie III
-
Uczenie maszynowe w Pythonie. Receptury. Od przygotowania danych do deep learningu. Wydanie II
-
Statystyka praktyczna w data science. 50 kluczowych zagadnień w językach R i Python. Wydanie II
-
Data science od podstaw. Analiza danych w Pythonie. Wydanie II
-
Python w data science. Praktyczne wprowadzenie
-
Zaawansowana analiza danych. Jak przejść z arkuszy Excela do Pythona i R
-
Data science i Python. Stawianie czoła najtrudniejszym wyzwaniom biznesowym
-
Python Data Science. Niezbędne narzędzia do pracy z danymi. Wydanie II
-
Finanse i Python. Łagodne wprowadzenie do teorii finansów
-
Sztuczna inteligencja w finansach. Używaj języka Python do projektowania i wdrażania algorytmów AI
-
Sztuczna inteligencja. Błyskawiczne wprowadzenie do uczenia maszynowego, uczenia ze wzmocnieniem i uczenia głębokiego
-
Python. Machine learning i deep learning. Biblioteki scikit-learn i TensorFlow 2. Wydanie III
-
Praktyczna algebra liniowa dla analityków danych. Od podstawowych koncepcji do użytecznych aplikacji w Pythonie
-
Jak analizować dane z biblioteką Pandas. Praktyczne wprowadzenie. Wydanie II
-
Zaawansowana analiza danych w PySpark. Metody przetwarzania informacji na szeroką skalę z wykorzystaniem Pythona i systemu Spark
-
Uczenie maszynowe w języku R. Tworzenie i doskonalenie modeli - od przygotowania danych po dostrajanie, ewaluację i pracę z big data. Wydanie IV
-
Uczenie głębokie od zera. Podstawy implementacji w Pythonie
-
Machine learning, Python i data science. Wprowadzenie
Czasowo niedostępna
-
Wnioskowanie przyczynowe w Pythonie. Praktyczne wykorzystanie w branży technologicznej