Awesome GitHub RepositoriesArray Broadcasting

This project is an educational resource and a collection of instructional materials for performing data manipulation and statistical analysis using Python. It provides a comprehensive set of guides and code examples for using the Pandas, NumPy, and Matplotlib libraries to analyze structured data. The resource includes a dedicated guide for reshaping, cleaning, and aggregating tabular data and time series via Pandas, alongside a reference for high-performance vectorized operations and linear algebra using NumPy. It also features tutorials for creating publication-quality charts, distribution p

هذا المشروع عبارة عن منهج تعليمي للتعلم الآلي ومنصة تعليمية يتم تقديمها من خلال دفاتر Jupyter التفاعلية. يعمل كدليل شامل لإتقان مجموعة أدوات علوم البيانات في Python، ويوفر دروساً منظمة للحوسبة العددية، ومعالجة البيانات الجدولية، والتصور الإحصائي. يتضمن المنهج أدلة تنفيذ محددة لـ Scikit-Learn ودورة عملية حول TensorFlow لبناء وتدريب ونشر الشبكات العصبية ونماذج رؤية الحاسب. ويغطي العملية الشاملة لبناء النماذج التنبؤية، من صياغة المشكلة الأولية وتصنيف المهام إلى نشر النماذج عبر واجهات الويب التفاعلية. يغطي المشروع سطح إمكانات واسع بما في ذلك الحوسبة العددية مع المصفوفات متعددة الأبعاد، وتحليل البيانات الاستكشافي، وروتينات معالجة البيانات مسبقاً. ويوفر سير عمل مفصلاً للتعلم الخاضع للإشراف وغير الخاضع للإشراف، وخطوط أنابيب التعلم الآلي المؤتمتة، وتحسين المعلمات الفائقة، وتقييم النموذج باستخدام مقاييس التصنيف والتحقق المتبادل. يتم تنظيم المحتوى التعليمي كسلسلة من الدفاتر التي تتداخل فيها أكواد Python مع التفسيرات السردية لتوثيق سير عمل علوم البيانات.

هذا المشروع عبارة عن برنامج تعليمي شامل لتحليل بيانات pandas ودليل تعليمي مصمم لتعلم معالجة البيانات وتحليلها. يعمل كدليل لمعالجة البيانات الجدولية ودليل لتحليل السلاسل الزمنية، مما يوفر نهجاً منظماً لتنظيف ودمج وتحويل مجموعات البيانات. يعمل المستودع كدورة هندسة ميزات البيانات، حيث يوفر برامج تعليمية حول بناء واختيار ميزات مجموعة البيانات لتحسين أداء نموذج التعلم الآلي. كما يتضمن دليل عمليات البيانات المتجهة لإجراء حسابات رياضية على مستوى العناصر ومعالجات المصفوفة. تغطي المادة مجموعة واسعة من القدرات بما في ذلك سير عمل تنظيف البيانات، ومهام تكامل البيانات، وتحليل البيانات الجدولية. يوفر توجيهاً حول معالجة المعلومات النصية، والتعامل مع البيانات الفئوية، وتحسين سرعة التنفيذ لمجموعات البيانات الكبيرة. يتم تسليم المشروع كسلسلة من Jupyter Notebooks التي تحتوي على تمارين عملية ومشاكل ممارسة مستهدفة.

Xarray هي مكتبة مصفوفة متعددة الأبعاد لـ Python وإطار عمل لمجموعة بيانات مصنفة. توسع هيكل بيانات NumPy عن طريق إضافة تسميات إلى المصفوفات، مما يسمح بتنظيم البيانات المعقدة متعددة الأبعاد باستخدام أبعاد وإحداثيات مسماة. توفر المكتبة واجهة بيانات NetCDF لقراءة وكتابة صيغ البيانات العلمية مثل NetCDF وZarr. تمكّن الحوسبة المصفوفة العلمية من خلال الحفاظ على العلاقة بين البيانات والإحداثيات الفيزيائية أثناء العمليات الرياضية. يغطي المشروع تحليل البيانات متعددة الأبعاد، ومعالجة البيانات الجغرافية المكانية، ومعالجة بيانات المناخ. كما يدعم تحليل السلاسل الزمنية لإدارة تسلسلات الملاحظات بمرور الوقت.

NumCpp هو إطار عمل C++ ومكتبة للحوسبة العددية توفر مجموعة أدوات لإدارة المصفوفات متعددة الأبعاد والروتينات الرياضية. يعمل كتطبيق C++ لنظام NumPy، حيث يوفر إطار عمل للحوسبة العلمية لإدارة الموترات (tensors) وإجراء المعادلات الجبرية المعقدة. يُمكّن المشروع من معالجة المصفوفات عالية الأداء داخل بيئة C++ دون الاعتماد على وقت تشغيل Python. ويتميز بتوفير واجهة تشبه NumPy لتنفيذ الجبر الخطي، وإدارة هياكل البيانات متعددة الأبعاد، وإجراء المعالجة العددية. تغطي المكتبة مجموعة واسعة من القدرات، بما في ذلك العمليات الجبرية للمصفوفات، وإدارة هندسة المصفوفات من خلال التقطيع وإعادة التشكيل، وتوليد التوزيعات العشوائية. كما تتضمن أدوات لتحليل مجموعات البيانات، وإحصائيات المصفوفات، واستيراد وتصدير البيانات العددية عبر تنسيقات ثنائية ونصية.