[Résumé des livres et cours en ligne utilisés pour l'apprentissage de la programmation et de la science des données]

Livres

** Texte officiel du Deep Learning G Test, Shinichi Asakawa, Arisa Ema, Ikuko Kudo, Yusuke Negago, Keisuke Setani, Takayuki Matsui, Yutaka Matsuo, 2018, JDLA ** https://www.amazon.co.jp/深層学習教科書-ディープラーニング-G検定(ジェネラリスト)-公式テキスト-浅川-ebook/dp/B07H2ZR6M2/ Il couvre un large éventail de contenus, des bases de l'apprentissage profond à la gestion du Big Data. Débutants.

** Deep Learning from scratch-Theory et implémentation du deep learning appris avec Python, Yasuki Saito, 2016, O'Reilly Japan ** https://www.amazon.co.jp/ゼロから作るDeep-Learning-―Pythonで学ぶディープラーニングの理論と実装-斎藤-康毅/dp/4873117585 Contenu de base. Débutants.

** Technologie d'analyse de données qui gagne avec Kaggle, Daisuke Kadowaki, Takashi Sakata, Keisuke Hosaka, Yuji Hiramatsu, 2019, Technical Review Company ** https://www.amazon.co.jp/Kaggleで勝つデータ分析の技術-門脇-大輔/dp/4297108437/ Un large éventail de techniques pratiques est introduit. Conseillé.

Fluent Python, Clear, Concise, and Effective Programming, Luciano Ramalho, 2015, O'Reil https://www.amazon.com/Fluent-Python-Concise-Effective-Programming/dp/1491946008/ La seconde moitié est difficile à comprendre à la fois, mais c'est un livre pour ceux qui connaissent Python pour en apprendre davantage sur l'écriture pythonique.

Deep Learning with Python, François Chollet, 2017, Manning https://www.amazon.com/Deep-Learning-Python-Francois-Chollet/dp/1617294438/ Un livre populaire écrit par les développeurs de Keras. Pour les débutants aux intermédiaires qui peuvent faire Python dans une certaine mesure et ont des connaissances de base en DL / ML. Conseillé.

Hands-On Machine Learning with Scikit-Learn, Keras & TensorFlow, 2nd Edition, Updated for TensorFlow 2, Concepts, Tools, and Techniques to Build Intelligent Systems, Aurélien Géron, 2019, O'Reilly https://www.amazon.com/Hands-Machine-Learning-Scikit-Learn-TensorFlow/dp/1492032646/ C'est aussi un classique. Des contenus qui couvrent l'ensemble du machine learning et du deep learning. La 2e édition est imprimée en couleur, elle est donc facile à voir.

Geoprocessing with Python, Chris Garrard, 2016, Manning https://www.amazon.com/Geoprocessing-Python-Chris-Garrard/dp/1617292141/ Il n'y a presque aucune mention d'ArcGIS, le livre des personnes qui gèrent les données SIG en Python. Une bibliothèque ouverte est utilisée dans le livre.

Natural Language Processing IN ACTION, Understanding analyzing, and generating text with Python, Hobson Lane, Cole Howard, Hannes Max Hapke, 2019, Manning https://www.amazon.com/Natural-Language-Processing-Action-Understanding/dp/1617294632/ Si vous voulez apprendre le langage naturel, ce livre est le premier.

Keras Reinforcement Learning Projects, Giuseppe Ciaburro, 2018, Packt https://www.amazon.com/Keras-Reinforcement-Learning-Projects-reinforcement-dp-1789342090/dp/1789342090/ Je ne recommande pas beaucoup cela.

Hands-on GPU Programming with Python and CUDA, Dr, Brian Tuomanen, 2018, Packt https://www.amazon.com/Hands-Programming-Python-CUDA-high-performance-ebook/dp/B07FSKH35Q/ Un livre pour apprendre la programmation de calcul parallèle GPU avec Python. Une certaine connaissance du C ++ est également requise.

Cours en ligne

Python Bootcamp: Go from zero to hero in Python online course (13 hours), Jose Portilla, Udemy https://www.udemy.com/course/complete-python-bootcamp/ Prenez 3 pour revenir sur les bases de Python. Prenez 1,5 à 2 fois plus vite pour l'examen.

Python for Data Science and Machine Learning Bootcamp online course (21.5 hours), Jose Portilla, Udemy https://www.udemy.com/course/python-for-data-science-and-machine-learning-bootcamp/ J'ai oublié le contenu, mais je pense que c'était bien.

Python for Financial Analysis and Algorithmic Trading online course (17 hours), Jose Portilla, Udemy https://www.udemy.com/course/python-for-finance-and-trading-algorithms/ Étudier les données financières. Analyse des données financières conventionnelles, pas du contenu comme la prévision des stocks par l'IA.

Beginning C++ Programming - From Beginner to Beyond online course (39.5 hours), Frank J. Mitropoulos, Udemy https://www.udemy.com/course/beginning-c-plus-plus-programming/ J'étais intéressé par la programmation GPU, j'ai donc appris les bases dans ce cours. Le C ++ lui-même est difficile en premier lieu, vous devez donc l'étudier attentivement.

Microsoft Power BI - A Complete Introduction (10.5 hours), Maximilian Schwarzmüller, Maximilian Schwarzmüller, Udemy https://www.udemy.com/course/powerbi-complete-introduction/ Anglais avec un accent allemand, mais le contenu est facile à comprendre. Cela seul me donne l'impression d'avoir presque maîtrisé Power BI.

CUDA programming Masterclas (11 hours), Kasun Liyanage, Udemy https://www.udemy.com/course/cuda-programming-masterclass/learn/lecture/11833442/ Frustré par le contenu et la difficulté de l'anglais indien ...

Recommended Posts

[Résumé des livres et cours en ligne utilisés pour l'apprentissage de la programmation et de la science des données]
[Pour les débutants en intelligence artificielle] Parcours d'apprentissage et de référence en apprentissage automatique / programmation en profondeur
Livres et sources recommandés de programmation d'analyse de données (Python ou R)
Résumé des API recommandées pour l'intelligence artificielle, l'apprentissage automatique et l'IA
Créez rapidement un environnement python pour le Deep Learning / Data Science (Windows)
Résumé des fonctions d'évaluation utilisées dans l'apprentissage automatique
Présentation et fonctionnalités utiles de scikit-learn qui peuvent également être utilisées pour l'apprentissage en profondeur
Liste des bibliothèques Python pour les data scientists et les data ingénieurs
Récapitulatif des méthodes Pandas utilisées lors de l'extraction de données [Python]
Mémos privés utilisés pour les opérations de liste et la programmation de concours
Résumé des sites où vous pouvez apprendre la programmation en ligne
Résumé de l'apprentissage RAPIDS
Vérification des performances du prétraitement des données pour l'apprentissage automatique (données numériques) (partie 2)
Résumé de la prise en charge des opérations de hachage (dictionnaire) pour Ruby et Python
[Pour les débutants] Un résumé en mots des langages de programmation populaires (version 2018)
Vérification des performances du prétraitement des données pour l'apprentissage automatique (données numériques) (partie 1)
Ensemble de données pour l'apprentissage automatique
Premier mois d'apprentissage en programmation
Installer Networkx dans l'environnement Python 3.7 pour une utilisation dans les livres de science des données sur les logiciels malveillants
Résumé des pages utiles pour étudier le framework d'apprentissage profond Chainer
[Pour les débutants] Résumé de la souffrance de l'AED de Kaggle et de sa lutte
Ingénierie des fonctionnalités pour l'apprentissage automatique à partir de la partie 1 Google Colaboratory - Validation et discrimination des données de comptage