|
Please note that this page does not hosts or makes available any of the listed filenames. You
cannot download any of those files from here.
|
| 00_ jupyter_notebook_python.zip |
55.10KB |
| 03_audit_data.zip |
27.78KB |
| 05_adult.zip |
474.39KB |
| 07_Online_News_Popularity_shares.zip |
7.13MB |
| 08_patents.zip |
32.88MB |
| 09 Energy and Water Data Disclosure for Local Law 84 2017 Data for Calendar Year 2016 zip |
1.52MB |
| 1.1 Вводная лекция.pdf |
2.31MB |
| 1.2 Источники данных.pdf |
4.25MB |
| 1.3 часть 1 Практика.pptx |
10.09MB |
| 1.4 Описательная статистика.pdf |
3.30MB |
| 1.jpg |
35.47KB |
| 1.png |
39.81KB |
| 10_fire_dataset_bin.zip |
598.50KB |
| 10_fire_dataset_bin.zip |
598.50KB |
| 11_automobiles.zip |
7.65KB |
| 12_bank_marketing.zip |
565.47KB |
| 12.7.zip |
17.30MB |
| 13_credit_approve.zip |
13.30KB |
| 13_credit_approve.zip |
13.30KB |
| 13_credit_approve.zip |
13.30KB |
| 14_Real estate valuation data set.zip |
29.71KB |
| 17_credit_card_fraud..zip |
65.95MB |
| 1 Ключевые задачи в подготовке датасетов и их важность.pptx |
1.54MB |
| 1 Основы языка Python. Введение.ipynb |
35.47KB |
| 1 Основы языка Python. Введение-checkpoint.ipynb |
35.47KB |
| 2.png |
41.01KB |
| 2.zip |
8.54MB |
| 24_autopilot.zip |
119.94MB |
| 2 Нормализация и стандартизация.pptx |
569.96KB |
| 2 Управляющие конструкции в Python.ipynb |
666.04KB |
| 2 Управляющие конструкции в Python-checkpoint.ipynb |
666.04KB |
| 3 Выбросы и пропуски.pptx |
1.80MB |
| 3 Коллекции в Python. Списки, кортежи, словари.ipynb |
42.13KB |
| 3 Коллекции в Python. Списки, кортежи, словари-checkpoint.ipynb |
42.13KB |
| 4 Балансировка.pptx |
1.20MB |
| 4 Функции в языке Python.ipynb |
9.03KB |
| 4 Функции в языке Python-checkpoint.ipynb |
9.03KB |
| 5 Кодирование.pptx |
913.85KB |
| 5 Функции в языке Python.ipynb |
9.51KB |
| 5 Функции в языке Python-checkpoint.ipynb |
9.51KB |
| 6 Классы.ipynb |
7.19KB |
| 6 Классы-checkpoint.ipynb |
7.19KB |
| 7.1 Классификация а.pptx |
2.08MB |
| 7.2 Байесовский классификатор.pptx |
1.12MB |
| 7 Классы.ipynb |
9.22KB |
| 7 Классы-checkpoint.ipynb |
9.22KB |
| Activation Code.txt |
2.71KB |
| Anaconda3 2022.10.exe |
621.22MB |
| appcode.vmoptions |
636B |
| audit_risk.csv |
79.29KB |
| augmentation.ipynb |
9.77KB |
| augmentation -3-.html |
11.26MB |
| Bat_To_Exe_Converter_x64.exe |
2.01MB |
| Bat_to_exe_converter.txt |
57B |
| clion.vmoptions |
636B |
| cnn exmpl mnist.zip |
837B |
| Copy of datatraining.txt |
582.69KB |
| CreditAustralia.xlsx |
84.49KB |
| CreditAustralia.xlsx |
146.52KB |
| CreditDataSet.doc |
2.56KB |
| CreditDataSet.doc |
2.56KB |
| datagrip.vmoptions |
636B |
| Data Science, 1 часть - 1080.mp4 |
181.76MB |
| Data Science, 2 часть - 1080.mp4 |
147.55MB |
| Data Science, 3 часть - 1080.mp4 |
118.72MB |
| Data Science, 4 часть - 1080.mp4 |
78.32MB |
| Data Science, 5 часть - 1080.mp4 |
102.13MB |
| dataset.csv |
59.76KB |
| dataset.csv |
59.76KB |
| dataspell.vmoptions |
636B |
| decoratore.log |
1.68KB |
| devecostudio.vmoptions |
636B |
| dns.conf |
49B |
| dns.jar |
4.75KB |
| drive-download-20220929T084853Z-001.zip |
119.79MB |
| encoding.ipynb |
5.79KB |
| encoding -2-.html |
566.95KB |
| example_pic.png |
14.25KB |
| Flask приложение. Выведение моделей в production.mp4 |
167.18MB |
| Functional API.ipynb |
5.08KB |
| gateway.vmoptions |
636B |
| generated_data.csv |
17.14KB |
| genres-20221112T211941Z-001.zip |
1.14GB |
| genres-20221116T142559Z-001.zip |
1.14GB |
| goland.vmoptions |
636B |
| hideme.jar |
7.04KB |
| idea.vmoptions |
636B |
| img_pack.zip |
615.15KB |
| inputs.cpython-38.pyc |
303B |
| inputs.py |
62B |
| install.sh |
3.42KB |
| install-all-users.vbs |
2.37KB |
| install-current-user.vbs |
1.77KB |
| Iris_Processed.xlsx |
67.81KB |
| Iris.xlsx |
19.73KB |
| ja-netfilter.jar |
47.50KB |
| jetbrains_client.vmoptions |
636B |
| jetbrainsclient.vmoptions |
636B |
| missing.ipynb |
9.03KB |
| missing -3-.html |
814.20KB |
| MLP.ipynb |
13.34KB |
| MLP -1-.html |
808.86KB |
| Numpy.ipynb |
229.36KB |
| Numpy-checkpoint.ipynb |
229.36KB |
| Numpy массивы.py |
5.14KB |
| OpenCV_logo_no_text_.png |
89.40KB |
| outliers.ipynb |
18.32KB |
| outliers -4-.html |
1.19MB |
| Pandas.ipynb |
7.97KB |
| Pandas-checkpoint.ipynb |
7.97KB |
| Pandas practice.ipynb |
629.42KB |
| Pandas practice-checkpoint.ipynb |
629.42KB |
| PDecoratore.log |
693B |
| phpstorm.vmoptions |
636B |
| Pipeline машинного обучения. Особенности архитектурных решений. Часть 1 - 1080.mp4 |
120.86MB |
| Pipeline машинного обучения. Особенности архитектурных решений. Часть 2 - 1080.mp4 |
85.44MB |
| Plotly.ipynb |
405.66KB |
| pokemon.csv |
156.85KB |
| power.conf |
6.69KB |
| power.jar |
9.01KB |
| preprocessing.ipynb |
13.65KB |
| preprocessing.ipynb |
14.59KB |
| preprocessing -2-.html |
754.28KB |
| pycharm.vmoptions |
636B |
| pycharm-professional-2022.2.exe |
469.45MB |
| ratings_Electronics.csv |
12.05MB |
| README.pdf |
63.75KB |
| rectangles.jpg |
48.72KB |
| rectangles.png |
8.51KB |
| rider.vmoptions |
636B |
| rubymine.vmoptions |
636B |
| Scipy.ipynb |
221.23KB |
| Seaborn.ipynb |
51.59KB |
| settings |
30.43KB |
| sha1sum.txt |
2.22KB |
| sound.zip |
2.03MB |
| sphx_glr_colormaps_004.png |
15.50KB |
| studio.vmoptions |
636B |
| tmp.txt |
4.13MB |
| Trade.zip |
653B |
| trial.csv |
39.03KB |
| uninstall.sh |
1.76KB |
| uninstall-all-users.vbs |
1.04KB |
| uninstall-current-user.vbs |
749B |
| Untitled.ipynb |
1.09KB |
| Untitled1.ipynb |
1.10KB |
| Untitled1-checkpoint.ipynb |
72B |
| Untitled-checkpoint.ipynb |
72B |
| url.conf |
74B |
| url.jar |
4.42KB |
| vgg19.py |
10.29KB |
| wbnr.zip |
719.77KB |
| web-gov.ipynb |
16.83KB |
| web-gov -3-.html |
1.31MB |
| webide.vmoptions |
636B |
| webstorm.vmoptions |
636B |
| Авторегрессия ARIMA. Временные ряды. Часть 1.mp4 |
53.74MB |
| Авторегрессия ARIMA. Модели. Часть 2.mp4 |
51.89MB |
| Активационные функции. Практика.mp4 |
292.75MB |
| Активационные функции. Часть 1.mp4 |
49.18MB |
| Активационные функции. Часть 2.mp4 |
28.59MB |
| Активационные функции. Часть 3.mp4 |
43.65MB |
| Анализ аудиосигналов. Особенности препроцессинга и архитектуры нейронной сети. Практика. Часть 1 - 1080.mp4 |
74.81MB |
| Анализ аудиосигналов. Особенности препроцессинга и архитектуры нейронной сети. Практика. Часть 2 - 1080.mp4 |
76.32MB |
| Анализ аудиосигналов. Особенности препроцессинга и архитектуры нейронной сети. Практика. Часть 3 - 1080.mp4 |
71.47MB |
| Анализ аудиосигналов. Особенности препроцессинга и архитектуры нейронной сети - 1080.mp4 |
107.51MB |
| Ансамбли алгоритмов. Bagging, boosting, stacking. Часть 1.pdf |
1.42MB |
| Ансамбли алгоритмов. Bagging, boosting, stacking. Часть 1 - 1080.mp4 |
71.50MB |
| Ансамбли алгоритмов. Bagging, boosting, stacking. Часть 2.pdf |
935.79KB |
| Ансамбли алгоритмов. Bagging, boosting, stacking. Часть 2 - 1080.mp4 |
46.81MB |
| Ансамбли алгоритмов. Bagging boosting, stacking. Практика - 1080.mp4 |
36.69MB |
| Архитектуры для решения задач регрессии. Практика. Часть 1 - 1080.mp4 |
145.86MB |
| Архитектуры для решения задач регрессии. Практика. Часть 2 - 1080.mp4 |
74.67MB |
| Базовые конструкции и структуры программирования. Циклы и условия - 1080.mp4 |
166.40MB |
| Байесовский вероятностный классификатор. Практика - 1080.mp4 |
28.79MB |
| Библиотека Beautifulsoup. Парсинг данных из html страниц. Практика - 1080.mp4 |
197.42MB |
| Библиотека Beautifulsoup. Парсинг данных из html страниц - 1080.mp4 |
73.99MB |
| Библиотека Pandas, как стандарт исследования данных. Часть 1 - 1080.mp4 |
149.92MB |
| Библиотека Pandas, как стандарт исследования данных. Часть 2 - 1080.mp4 |
172.55MB |
| Библиотека Pandas, как стандарт исследования данных. Часть 3 - 1080.mp4 |
67.43MB |
| Библиотеки Numpy, Scipy для научных вычислений. Часть 1 - 1080.mp4 |
156.60MB |
| Библиотеки Numpy, Scipy для научных вычислений. Часть 2 - 1080.mp4 |
99.79MB |
| Библиотеки Numpy, Scipy для научных вычислений. Часть 3 - 1080.mp4 |
135.39MB |
| Библиотеки Numpy, Scipy для научных вычислений. Часть 4 - 1080.mp4 |
209.61MB |
| Библиотеки Numpy, Scipy для научных вычислений. Часть 5 - 1080.mp4 |
92.64MB |
| Библиотеки Numpy, Scipy для научных вычислений. Часть 6 - 1080.mp4 |
141.01MB |
| Введение, среды исполнения (IDE). Часть 1 - 1080.mp4 |
52.91MB |
| Введение, среды исполнения (IDE). Часть 2 - 1080.mp4 |
67.05MB |
| Визуализация в Python и срезы данных. Библиотеки Matplotlib, seaborn, plotly. Часть 1 - 1080.mp4 |
131.47MB |
| Визуализация в Python и срезы данных. Библиотеки Matplotlib, seaborn, plotly. Часть 2 - 1080.mp4 |
66.80MB |
| Визуализация в Python и срезы данных. Библиотеки Matplotlib, seaborn, plotly. Часть 3 - 1080.mp4 |
87.23MB |
| Визуализация в Python и срезы данных. Библиотеки Matplotlib, seaborn, plotly. Часть 4 - 1080.mp4 |
205.82MB |
| Визуализация в Python и срезы данных. Библиотеки Matplotlib, seaborn, plotly. Часть 5 - 1080.mp4 |
30.38MB |
| Временные Ряды.pdf |
421.17KB |
| Генеративные состязательные сети. Практика. Часть 2.mp4 |
153.42MB |
| Генеративные состязательные сети. Практика. Часть 3.mp4 |
155.53MB |
| Генеративные состязательные сети. Теория. Часть 1.mp4 |
105.77MB |
| Датасет по 2 кейсу.zip |
173.74KB |
| Датасет по 3 кейсу.zip |
25.26KB |
| Декораторы, логирование, кеширование.py |
4.67KB |
| Доверительные интервалы, практика - 1080.mp4 |
56.79MB |
| Доверительные интервалы - 1080.mp4 |
92.88MB |
| Задание.png |
19.12KB |
| Задача с Хакатона World AI DataMasters 2021.docx |
17.34KB |
| Задачи NLP. Препроцессинга текстовых неструктурированных данных. Практика - 1080.mp4 |
137.63MB |
| Задачи NLP. Препроцессинга текстовых неструктурированных данных - 1080.mp4 |
238.78MB |
| Занятие_1_5_Практика_1.pptx |
5.32MB |
| Занятие_1_5_Практика_2 итог.pptx |
4.18MB |
| Занятие 1.mkv |
781.52MB |
| Занятие 10.mkv |
221.93MB |
| Занятие 11.mkv |
280.51MB |
| Занятие 12.mkv |
528.04MB |
| Занятие 13.mkv |
683.22MB |
| Занятие 14.mkv |
128.57MB |
| Занятие 15.mkv |
283.00MB |
| Занятие 16.mkv |
651.82MB |
| Занятие 17.mkv |
883.54MB |
| Занятие 18.mkv |
186.07MB |
| Занятие 19.mkv |
205.31MB |
| Занятие 2.mkv |
357.92MB |
| Занятие 20.mkv |
537.49MB |
| Занятие 21.mkv |
233.76MB |
| Занятие 22.mkv |
808.38MB |
| Занятие 23.mkv |
178.07MB |
| Занятие 24.mkv |
806.76MB |
| Занятие 25.mkv |
339.17MB |
| Занятие 4.mkv |
814.59MB |
| Занятие 5.mkv |
652.64MB |
| Занятие 5 (доп).docx |
13.75KB |
| Занятие 8.mkv |
755.12MB |
| Занятие 9.mkv |
911.11MB |
| Иерархическая кластеризация - hierarchical clustering. Алгоритм кластеризации DBSCAN. Часть 1.pdf |
862.02KB |
| Иерархическая кластеризация - hierarchical clustering. Алгоритм кластеризации DBSCAN. Часть 2.pdf |
1.18MB |
| Иерархическая кластеризация - hiererchical clustering. Алгоритм кластеризации DBSCAN. Практика. Ч. 1 - 1080.mp4 |
67.26MB |
| Иерархическая кластеризация - hiererchical clustering. Алгоритм кластеризации DBSCAN. Практика. Ч. 2 - 1080.mp4 |
42.23MB |
| Иерархическая кластеризация - hiererchical clustering. Алгоритм кластеризации DBSCAN. Часть 1 - 1080.mp4 |
88.33MB |
| Иерархическая кластеризация - hiererchical clustering. Алгоритм кластеризации DBSCAN. Часть 2 - 1080.mp4 |
86.06MB |
| Использование ARIMA на платформе Loginom. Практика.mp4 |
86.83MB |
| Итоговое_задание_Аналитика_данных_Data_scientist.docx |
36.57KB |
| Классификаторы.pdf |
467.71KB |
| Кластеризация. Медот k-means, c-means. Часть 1.pdf |
1.12MB |
| Кластеризация. Медот k-means, c-means. Часть 2.pdf |
1.45MB |
| Кластеризация. Метод k-means, c-means. Практика. Часть 1 - 1080.mp4 |
61.57MB |
| Кластеризация. Метод k-means, c-means. Практика. Часть 2 - 1080.mp4 |
63.40MB |
| Кластеризация. Метод k-means, c-means. Часть 1 - 1080.mp4 |
98.12MB |
| Кластеризация. Метод k-means, c-means. Часть 2 - 1080.mp4 |
112.96MB |
| Ключевые задачи в подготовке датасетов и их важность - 1080.mp4 |
111.27MB |
| Коллекции функций.py |
941B |
| Консультация.mkv |
227.26MB |
| Консультация.mkv |
104.72MB |
| Консультация.mkv |
333.29MB |
| Контроль версионности моделей с tensorflow serving. Практика.mp4 |
389.70MB |
| Контроль версионности моделей с tensotflow serving.mp4 |
35.33MB |
| Копия data.csv |
43.47MB |
| Кросс-валидация. Особенности применения.mp4 |
11.60MB |
| Кросс-валидация. Особенности применения.pdf |
203.68KB |
| Кросс-валидация. Особенности применения. Практика.mp4 |
42.71MB |
| Ленивые вычисления. Практика - 1080.mp4 |
176.54MB |
| Ленивые вычисления - 1080.mp4 |
87.36MB |
| Линейная регрессия. Метод наименьших квадратов. Логическая регрессия. Часть 1.mp4 |
57.41MB |
| Линейная регрессия. Метод наименьших квадратов. Логическая регрессия. Часть 2.mp4 |
87.92MB |
| Линейная регрессия. Метод наименьших квадратов. Логическая регрессия. Часть 3.mp4 |
22.29MB |
| Линейная регрессия. Метод наименьших квадратов. Логическая регрессия. Часть 4.mp4 |
40.60MB |
| Линейная регрессия часть 1.pdf |
8.56MB |
| Линейная регрессия часть 2.pdf |
368.69KB |
| Линейная регрессия часть 3.pdf |
220.38KB |
| Линейная регрессия часть 4.pdf |
353.89KB |
| Литература.pdf |
341.56KB |
| Литература + Программное обеспечение.pdf |
346.51KB |
| Литература + Программное обеспечение.pdf |
353.59KB |
| Литература + Программное обеспечение.pdf |
115.78KB |
| Литература + Программное обеспечение.pdf |
115.64KB |
| Литература + Программное обеспечение.pdf |
351.24KB |
| Литература + Программное обеспечение.pdf |
351.71KB |
| Материалы по курсу.zip |
22.17MB |
| Метод ближайших соседей k-NN. Метрики подсчёта расстояния. Плюсы и минусы алгоритма. Часть 1.pdf |
922.96KB |
| Метод ближайших соседей k-NN. Метрики подсчёта расстояния. Плюсы и минусы алгоритма. Часть 2.pdf |
1023.16KB |
| Метод главных компонент PCA. Метод t-SNE для линейно разделимой выборки. Практика - 1080.mp4 |
70.51MB |
| Метод главных компонент PCA. Метод t-SNE для линейно разделимой выборки. Часть 1 - 1080.mp4 |
91.93MB |
| Метод главных компонент PCA. Метод t-SNE для линейно разделимой выборки. Часть 2 - 1080.mp4 |
36.22MB |
| Метод наименьших квадратов. Средняя квадратичная ошибка, средняя абсолютная ошибка. Практика - 1080.mp4 |
70.64MB |
| Метод обратного распространения ошибки. Практика. Часть 1 - 1080.mp4 |
157.67MB |
| Метод обратного распространения ошибки. Практика. Часть 2 - 1080.mp4 |
84.04MB |
| Метод опорных векторов (SVM). Линейно разделимые и неразделимые выборки, методы обработки. Плюсы и минусы алгоритма. Часть 1.pdf |
1.34MB |
| Метод опорных векторов (SVM). Линейно разделимые и неразделимые выборки, методы обработки. Плюсы и минусы алгоритма. Часть 2.pdf |
422.16KB |
| Метод опорных векторов (SVM). Линейно разделимые и неразделимые выборки, методы обработки. Плюсы и минусы алгоритма. Часть 3.pdf |
875.91KB |
| Метрики классификации. Матрица ошибок. Практика. (Confusion-matrix, Precision, recall, f1.ROC-AUC).mp4 |
46.81MB |
| Метрики классификации. Матрица ошибок (Confusion-matrix). Precision, recall, f1. ROC-AUC.mp4 |
98.31MB |
| Метрики классификации. Матрица ошибок (Confusion-matrix). Precision, recall, f1. ROC-AUC.pdf |
1.08MB |
| Модели.pdf |
988.97KB |
| Несколько выходов.ipynb |
4.63KB |
| Нормализация и стандартизация, практика - 1080.mp4 |
55.33MB |
| Нормализация и стандартизация - 1080.mp4 |
75.20MB |
| Обзор библиотеки SKLEARN. Практика - 1080.mp4 |
87.70MB |
| Обзор библиотеки SKLEARN - 1080.mp4 |
61.18MB |
| Облачная платформа Kaggle для решения data science задач. Практика. Часть 1.mp4 |
138.99MB |
| Облачная платформа Kaggle для решения data science задач. Практика. Часть 2.mp4 |
100.20MB |
| Облачная платформа Kaggle для решения data science задач. Часть 1.mp4 |
86.59MB |
| Облачная платформа Kaggle для решения data science задач. Часть 2.mp4 |
100.32MB |
| Обработка категориальных признаков. LabelEncoder, One Hot encoding. Практика. - 1080.mp4 |
50.63MB |
| Обработка категориальных признаков. LabelEncoder, One Hot encoding - 1080.mp4 |
83.53MB |
| Обучение на размеченных и неразмеченных данных. Практика. Часть 1 - 1080.mp4 |
146.41MB |
| Обучение на размеченных и неразмеченных данных. Практика. Часть 2 - 1080.mp4 |
101.83MB |
| Обучение на размеченных и неразмеченных данных. Часть 1 - 1080.mp4 |
68.13MB |
| Обучение на размеченных и неразмеченных данных. Часть 2 - 1080.mp4 |
77.90MB |
| Объектно-ориентированное программирование в Python. Часть 1 - 1080.mp4 |
88.31MB |
| Объектно-ориентированное программирование в Python. Часть 2 - 1080.mp4 |
93.31MB |
| Операции над матрицами.py |
1.48KB |
| Поиск аномалий и выбросов. Методы обработки и визуализации. - 1080.mp4 |
75.69MB |
| Поиск аномалий и выбросов. Методы обработки и визуализации. Практика. - 1080.mp4 |
65.93MB |
| Полная и условная вероятность, теорема Байеса. Байесовский вероятностный классификатор. Часть 3 - 1080.mp4 |
57.17MB |
| Полносвязные нейронные сети. Dence слои. Практика.mp4 |
278.38MB |
| Полносвязные нейронные сети. Dense слои. Часть 1.mp4 |
112.10MB |
| Полносвязные нейронные сети. Dense слои. Часть 2.mp4 |
90.56MB |
| Полносвязные нейронные сети. Dense слои. Часть 3.mp4 |
93.44MB |
| Полные и частичные копии массивов, изменение размерности массивов.py |
3.35KB |
| Построение архитектуры нейронной сети для задач object detection. - 1080.mp4 |
184.87MB |
| Построение архитектуры нейронной сети для задач object detection. Практика - 1080.mp4 |
183.56MB |
| Построение архитектуры нейронной сети для задач segmentation. Практика - 1080.mp4 |
362.06MB |
| Построение архитектуры нейронной сети для задач segmentation - 1080.mp4 |
152.26MB |
| Построение архитектуры нейронной сети для задач бинарной и множественной классификации. Практика.Ч.1 - 1080.mp4 |
156.80MB |
| Построение архитектуры нейронной сети для задач бинарной и множественной классификации. Практика.Ч.2 - 1080.mp4 |
175.77MB |
| Построение архитектуры нейронной сети для классификации текстов. Практика - 1080.mp4 |
183.71MB |
| Построение архитектуры нейронной сети для классификации текстов - 1080.mp4 |
93.61MB |
| Практика.mp4 |
113.77MB |
| Практика.pdf |
349.91KB |
| Практика. Метод ближайших соседей k-NN. Метрики подсчета расстояния. Плюсы и минусы алгоритма..mp4 |
35.75MB |
| Практика. Метод опорных векторов (SWM). Линейно разделимы и неразделимые выборки, методы обработки..mp4 |
54.11MB |
| Практика 1.mp4 |
116.89MB |
| Практика 2.mp4 |
112.69MB |
| Практика 6.docx |
71.51KB |
| Практика к занятию Полносвязные НС (dense слои).pdf |
225.83KB |
| Практическое задание.pdf |
343.73KB |
| Практическое задание.pdf |
117.22KB |
| Практическое задание.pdf |
365.30KB |
| Практическое задание.pdf |
343.70KB |
| Практическое задание.pdf |
361.11KB |
| Практическое задание.pdf |
350.51KB |
| Практическое задание.pdf |
342.15KB |
| Практическое задание.pdf |
345.21KB |
| Практическое задание.pdf |
344.13KB |
| Презентация.pdf |
2.52MB |
| Презентация.pdf |
1.76MB |
| Презентация.pdf |
2.71MB |
| Презентация.pdf |
2.39MB |
| Презентация.pdf |
766.27KB |
| Презентация.pdf |
1.90MB |
| Презентация.pdf |
2.34MB |
| Презентация.pdf |
1.81MB |
| Презентация.pdf |
2.49MB |
| Презентация.pdf |
1.41MB |
| Презентация.pdf |
367.08KB |
| Презентация.pdf |
1.89MB |
| Презентация.pdf |
2.53MB |
| Презентация.pdf |
1.09MB |
| Презентация.pdf |
823.05KB |
| Презентация.pdf |
1.90MB |
| Презентация.pdf |
690.70KB |
| Презентация.pdf |
977.30KB |
| Презентация.pptx |
3.10MB |
| Презентация.pptx |
17.00MB |
| Презентация.pptx |
2.22MB |
| Презентация.pptx |
3.14MB |
| Презентация 1.pptx |
10.66MB |
| Презентация 2.pptx |
8.36MB |
| Пример модулей.ipynb |
1.75KB |
| Пример модулей-checkpoint.ipynb |
1.75KB |
| Пример с Титаником.ipynb |
11.40KB |
| Примеры классификации изображений.ipynb |
14.08KB |
| Прогнозирование временных рядов в системе Deductor. Практика - 1080.mp4 |
145.24MB |
| Прогнозирование временных рядов в системе loginom. Практика - 1080.mp4 |
111.50MB |
| Прогнозирование временных рядом в Python с использованием ARMA. Практика. Часть 1.mp4 |
125.23MB |
| Прогнозирование временных рядом в Python с использованием ARMA. Практика. Часть 2.mp4 |
93.82MB |
| Работа с командной строкой. Linux, Windows. - 1080.mp4 |
171.17MB |
| Работа с последовательностями.py |
4.25KB |
| Работа с предобученными моделями.mp4 |
55.96MB |
| Работа с предобученными моделями. Практика.mp4 |
109.21MB |
| Работа с фильтрами.ipynb |
5.33KB |
| Разбалансированные датасеты и методы балансировки, практика - 1080.mp4 |
157.63MB |
| Разбалансированные датасеты и методы балансировки - 1080.mp4 |
71.91MB |
| Разбор по каналам.ipynb |
96.33KB |
| Расписание.pdf |
70.73KB |
| Регрессия.ipynb |
31.07KB |
| Рекурсия для вычисления математических функций.py |
786B |
| Решающие деревья (Decision tree). Практика - 1080.mp4 |
32.44MB |
| Решающие деревья(Decision tree). Часть 1.pdf |
2.30MB |
| Решающие деревья (Decision tree). Часть 1 - 1080.mp4 |
139.56MB |
| Решающие деревья(Decision tree). Часть 2.pdf |
1.63MB |
| Решающие деревья (Decision tree). Часть 2 - 1080.mp4 |
95.99MB |
| Свёрточные нейронные сети. Conv слои. Практика.mp4 |
151.02MB |
| Свёрточные нейронные сети. Conv слои. Часть 1.mp4 |
98.31MB |
| Свёрточные нейронные сети. Conv слои. Часть 2.mp4 |
139.27MB |
| Случайный лес (Random forest).pdf |
616.21KB |
| Случайный лес (Random forest). Практика - 1080.mp4 |
32.98MB |
| Случайный лес (Random forest) - 1080.mp4 |
29.68MB |
| Сохранение моделей.mp4 |
258.48MB |
| Сохранение моделей. Практика.mp4 |
51.47MB |
| Специализированные массивы, операции над массивами.py |
5.42KB |
| Теория вероятности. Полная и условная вероятность. Байесовские классификаторы. Часть 1 - 1080.mp4 |
100.42MB |
| Теория вероятности. Полная и условная вероятность. Байесовские классификаторы. Часть 2 - 1080.mp4 |
55.22MB |
| Типы данных.py |
1.88KB |
| Типы данных в Python - 1080.mp4 |
135.50MB |
| Упаковка и распаковка аргументов.py |
2.16KB |
| Уровни П и Н_Тунгуски.rar |
317.29KB |
| Уровни П и Н_Тунгуски (1)-20221118T125539Z-001.zip |
444.14KB |
| Функции и элементы функционального программирования в Python. Часть 1 - 1080.mp4 |
238.34MB |
| Функции и элементы функционального программирования в Python. Часть 2 - 1080.mp4 |
134.15MB |
| Функции и элементы функционального программирования в Python. Часть 3 - 1080.mp4 |
215.97MB |
| Часть 1. Введение в нейронные сети. Обзор библиотеки tensorflow.keras..mp4 |
50.09MB |
| Часть 1. Метод ближайших соседей k-NN. Метрики подсчета расстояния. Плюсы и минусы алгоритма..mp4 |
71.98MB |
| Часть 1. Метод опорных векторов (SVM). Линейно разделимые и неразделимые выборки, методы обработки..mp4 |
100.93MB |
| Часть 2. Введение в нейронные сети. Обзор библиотеки tensorflow.keras..mp4 |
56.45MB |
| Часть 2. Метод ближайших соседей k-NN. Метрики подсчета расстояния. Плюсы и минусы алгоритма..mp4 |
79.63MB |
| Часть 2. Метод опорных векторов (SVM). Линейно разделимые и неразделимые выборки, методы обработки..mp4 |
80.31MB |
| Часть 3. Введение в нейронные сети. Обзор библиотеки tensorflow.keras..mp4 |
56.90MB |
| Часть 3. Метод опорных векторов (SVM). Линейно разделимые и неразделимые выборки, методы обработки..mp4 |
86.27MB |
| Часть 4. Введение в нейронные сети. Обзор библиотеки tensorflow.keras..mp4 |
25.19MB |
| файлы (1).zip |
32.53KB |
| файлы (1).zip |
65.43KB |