Literature.md

Доп.литература

1. Долганов, М. В. Ронкин, А. В. Созыкин Базовые алгоритмы машинного обучения на языке Python : учебно-методическое пособие
2. Открытый курс машинного обучения
3. Дмитрий Макаров Анализ и обработка данных, Обучение модели
4. Дьяконов А.Г. Машинное обучение и анализ данных, блог анлиз малых даннх
5. Учебник по машинному обучению ШАД
6. Китов В.В. Машинное обучение.
7. Kaggle Intro to Machine Learning, другие курсы, обзор платформы kaggle и тут и тут
8. Python for Data Analysis, 3E
9. Machine Learning Crash Course
10. ML Algorithms from scratch 1, 2, 3, on napkin
11. 12 материалов по EDA от Yandex
12. https://www.sscardapane.it/alice-book/
13. Ivan Alexandrov ML Competetion
14. Метрики в ML, Anomaly Metrics
15. пособие по визуализации данных

Продвинутая литература

1. How to avoid machine learning pitfalls: a guide for academic researchers
2. Продвинутая визуализация - советы
3. interpretable-ml-book
4. Интерпретация Shap, Lime
5. ML course berkeley
6. introduction to machine-learning notes
7. kaggle-solutions-repository
8. Model Evaluation, Model Selection, and Algorithm Selection in Machine Learning
9. Andrew Ng and Tengyu M ML Notes
10. Exercises in Machine Learning
11. ​Approaching (Almost) Any Machine Learning Problem
12. Math for ML
13. Algorithms for Decision Making
14. ML course HSE
15. Открытые книги по ML
16. Trustworthy Machine Learning
17. Ускорить Pandas в 60 раз: проверяем лайфхаки из интернета на реальном проекте и обкладываемся бенчмарками
18. bayesian-machine-learning
19. ml-q-and-ai book
20. Learning Data Science
21. подготовка к ML собеседованию части 1 - 5

Малоизвестные инструменты

1. mlxtend

2. scikit-lego

3. sweetviz

4. ydata-profiling

5. pyiterable

6. awesome-production-machine-learning

Еще интересно:

1. EDA под другим углом
2. ydata-profile

15 бесплатных книг по Data Science (часть 1)*

1. Veridical Data Science
   👩‍🔬 Авторы: Bin Yu & Rebecca L. Barter
   Описание: Введение в науку о данных (data science): как область возникла, как она развивается и какую роль играет в современном мире. 🔗 https://vdsbook.com/

2. Data Science: Theories, Models, Algorithms, and Analytics
   📘 Автор: Sanjiv Ranjan Das
   Описание: Учебник по DS с упором на алгоритмы и аналитику.
   🔗 https://srdas.github.io/Papers/DSA_Book.pdf

3. Think Python 3E
   🐍 Автор: Allen B. Downey
   Описание: Современное введение в Python с нуля.
   🔗 https://greenteapress.com/wp/think-python-3rd-edition/

4. Python Data Science Handbook
   📊 Автор: Jake VanderPlas
   Описание: Практика работы с NumPy, pandas, sklearn и визуализациями.
   🔗 https://jakevdp.github.io/PythonDataScienceHandbook/

5. R for Data Science
   📈 Авторы: Hadley Wickham и др.
   Описание: Современный подход к анализу данных в R.
   🔗 https://r4ds.hadley.nz/

6. Think Stats 3E
   📐 Автор: Allen B. Downey
   Описание: Статистика через Python и практику.
   🔗 https://allendowney.github.io/ThinkStats/

7. Statistics and Prediction Algorithms Through Case Studies
   📙 Автор: Rafael A. Irizarry
   Описание: Кейсы по статистике и прогнозированию с кодом на R.
   🔗 https://rafalab.github.io/dsbook/

8. Bayesian Methods for Hackers
   🧠 Автор: Cameron Davidson-Pilon
   Описание: Визуальное введение в байесовский анализ с PyMC.
   🔗 https://github.com/CamDavidsonPilon/Probabilistic-Programming-and-Bayesian-Methods-for-Hackers

9. Think Bayes 2E
   🔢 Автор: Allen B. Downey
   Описание: Пошаговый байесовский подход на Python.
   🔗 https://allendowney.github.io/ThinkBayes2/

10. Data Science at the Command Line
    💻 Автор: Jeroen Janssens
    Описание: Unix-инструменты как основа для анализа данных.
    🔗 https://datascienceatthecommandline.com/

Математика и теория вероятностей: 11. Теория вероятностей 👩‍🔬 Автор: Чернова Н. И. Описание: Понятное введение в теорию вероятностей, основа для изучения математической статистики. 🔗 http://www.nsu.ru/mmf/tvims/chernova/tv/tv_nsu07.pdf

12. • Математическая статистика* 👩‍🔬 Автор: Чернова Н. И. Описание: Продолжение курса по теории вероятностей (НГУ), покрывающее основы математической статистики: оценки параметров, проверка гипотез, регрессионный анализ. 🔗 http://www.nsu.ru/mmf/tvims/chernova/ms/ms_nsu07.pdf
13. • Курс дифференциального и интегрального исчисления (Том 1)* 👩‍🔬 Автор: Фихтенгольц Г. М. Описание: Фундаментальный и классический учебник по основам математического анализа. 🔗 http://math.ru/lib/book/djvu/fichtengolz/f_1.djvu

14.Векторные исчисления для инженеров 👩‍🔬 Автор:Jeffrey R. Chasnov 🔗 http://math.ru/lib/book/djvu/fichtengolz/f_1.djvu (https://t.me/datascienceiot/3196)

15 .*Theory—Theoretical & Mathematical Foundations ; 👩‍🔬Daniel A. Roberts, Sho Yaida, Boris Hanin Описание: Эта книга предлагает теоретический подход к анализу глубинных нейросетей с практической значимостью 🔗https://arxiv.org/abs/2106.10165 (https://t.me/data_math/750)