1. 2nd level
1.1. Scipy [4]
1.1.1. Использование функций из модулей
1.1.1.1. SciPy, оптимизация
1.1.2. Методы оптимизации
1.1.2.1. Optimization in SciPy
1.2. PyTorch [4]
1.2.1. GPU для ускорения вычислений
1.2.1.1. How to use GPU acceleration in PyTorch
1.2.2. Градиенты оптимизатора
1.2.2.1. PyTorch: Connection Between loss.backward() and optimizer.step()
1.3. PySpark [4]
1.3.1. PySpark API
1.3.1.1. How to add a new column to a PySpark DataFrame
1.3.2. Кэширование данных
1.3.2.1. Pyspark – Filter dataframe based on multiple conditions
1.4. matplotlib [4]
1.4.1. Функции работы с графиком
1.4.1.1. matplotlib.pyplot.figure() в Python
1.4.2. Настройки графика
1.4.2.1. Matplotlib.figure.Figure.add_artist() in Python
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. Array Broadcasting
2.2.1.1. NumPy Array Broadcasting
2.2.1.2. Наглядно о том, как работает NumPy
2.2.2. ndarray массивы
2.2.2.1. Обращения к индексам внутри массивов
2.2.2.2. NumPy Ndarray: создание массива, генерация и типы данных / np 2
2.2.2.3. Многомерные массивы в Numpy
2.3. Scikit-learn [5]
2.3.1. Категориальные признаки
2.3.1.1. Decision Tree Classifier Building in Scikit-learn
2.3.2. Метрики оценки модели
2.3.2.1. Оценка моделей с использованием Scikit-learn
2.4. Catboost [5]
2.4.1. CatBoost
2.5. OpenCV
2.5.1. Цветовое пространство BGR
2.5.1.1. Why OpenCV Using BGR Colour Space Instead of RGB
2.5.2. Основы работы с изображениями
2.5.2.1. How do I resize an image using PIL and maintain its aspect ratio
2.6. Redash [2]
2.6.1. Redash use and development (5): use python to process data
2.7. TensorFlow [1]
2.7.1. Константы и переменные
2.7.1.1. Переменные и константы TensorFlow
2.7.2. Batch size
2.7.2.1. How to choose Batch Size and Number of Epochs When Fitting a Model
2.8. Seaborn [2]
2.8.1. Категориальные переменные
2.8.1.1. Seaborn | Категориальные сюжеты
2.8.2. Heatmaps
2.8.2.1. Seaborn Heatmap – A comprehensive guide
3. 3rd level
3.1. LightGBM [2]
3.1.1. Train a model using LightGBM
3.2. AirFLow [2]
3.2.1. Apache Airflow: делаем ETL проще
3.3. RecBole [1]
3.3.1. Observe differences in the behavior of recommendation models using RecBole
3.4. regex
3.4.1. Регулярные выражения в Python от простого к сложному. Подробности, примеры, картинки, упражнения
3.5. Tableau [1]
3.5.1. Using Python in Tableau Calculations
3.6. Яндекс Метрика [1]
3.6.1. Как извлечь больше данных о посетителях сайта через «Яндекс.Метрику» при помощи Python и с минимумом библиотек
3.7. Superset [1]
3.7.1. Apache Superset: Installing locally is easy using the makefile
3.8. statmodels [1]
3.8.1. How to Install Statsmodels in Python
3.9. Qlik [2]
3.9.1. Qlik Sense vs Python: A Comparative Analysis
3.10. Google Аналитика [1]
3.10.1. Google Analytics 4 и Python - практические приемы работы
3.11. Grafana [1]
3.11.1. Привлекаем внимание технологов (и не только «Норникеля»)! Визуализация ML-модели на «архивных» данных
3.12. Zeppelin [1]
3.12.1. Допинг для аналитики: почему стоит обратить внимание на Apache Zeppelin
3.13. Datastage [1]
3.13.1. Datastage
3.14. DBT [1]
3.14.1. Введение в dbt шаг за шагом