1. 2nd level
1.1. Scipy [4]
1.1.1. Руководство по SciPy: что это, и как ее использовать
1.2. PyTorch [4]
1.2.1. PyTorch — ваш новый фреймворк глубокого обучения
1.3. PySpark [4]
1.3.1. Pyspark. Анализ больших данных, когда Pandas не достаточно
1.4. matplotlib [4]
1.4.1. Matplotlib Tutorial
1.5. XGBoost [4]
1.5.1. Introduction to XGBoost in Python
1.6. Инструменты визуализации
1.6.1. Топ 6 библиотек Python для визуализации: какую и когда лучше использовать
2. 1st level
2.1. Pandas [10]
2.1.1. DataFrame
2.1.1.1. Моя шпаргалка по pandas
2.1.1.2. Введение в pandas: анализ данных на Python
2.1.1.3. DataFrame Python Pandas
2.1.2. Series
2.1.2.1. Python Pandas Series
2.2. Numpy [7]
2.2.1. Наглядно о том, как работает NumPy
2.3. Scikit-learn [5]
2.3.1. What is python scikit library
2.3.2. Введение в машинное обучение с помощью scikit-learn (перевод документации)
2.4. Catboost [5]
2.4.1. CatBoost
2.5. OpenCV
2.5.1. OpenCV в Python. Часть 1
2.6. Redash [2]
2.6.1. Redash use and development (5): use python to process data
3. 3rd level
3.1. Seaborn [2]
3.1.1. Как строить красивые графики на Python с Seaborn
3.2. Sklearn [2]
3.2.1. What is python scikit library
3.3. LightGBM [2]
3.3.1. Train a model using LightGBM
3.4. AirFLow [2]
3.4.1. Apache Airflow: делаем ETL проще
3.5. TensorFlow [1]
3.5.1. Библиотека глубокого обучения Tensorflow
3.6. RecBole [1]
3.6.1. Observe differences in the behavior of recommendation models using RecBole
3.7. regex
3.7.1. Регулярные выражения в Python от простого к сложному. Подробности, примеры, картинки, упражнения
3.8. Tableau [1]
3.8.1. Using Python in Tableau Calculations
3.9. Яндекс Метрика [1]
3.9.1. Как извлечь больше данных о посетителях сайта через «Яндекс.Метрику» при помощи Python и с минимумом библиотек
3.10. Superset [1]
3.10.1. Apache Superset: Installing locally is easy using the makefile
3.11. statmodels [1]
3.11.1. How to Install Statsmodels in Python
3.12. Qlik [2]
3.12.1. Qlik Sense vs Python: A Comparative Analysis
3.13. Google Аналитика [1]
3.13.1. Google Analytics 4 и Python - практические приемы работы
3.14. Grafana [1]
3.14.1. Привлекаем внимание технологов (и не только «Норникеля»)! Визуализация ML-модели на «архивных» данных
3.15. Zeppelin [1]
3.15.1. Допинг для аналитики: почему стоит обратить внимание на Apache Zeppelin
3.16. Datastage [1]
3.16.1. Datastage
3.17. DBT [1]
3.17.1. Введение в dbt шаг за шагом