網(wǎng)上沖浪時(shí)發(fā)現(xiàn)的一份涵蓋機(jī)器學(xué)習(xí)、深度學(xué)習(xí)、數(shù)學(xué)、數(shù)據(jù)分析、Python編程、甚至Jupyter等等，共200+ tips的“Trick Book”

大致瀏覽了內(nèi)容，制作還是相當(dāng)用心的，示例搭配圖解，主打簡(jiǎn)約通俗易懂

無(wú)論是豐富野生技能還是擴(kuò)充面經(jīng)都不錯(cuò)

https://www.blog.dailydoseofds.com/p/free-daily-dose-of-data-science-pdf

出不去的/懶的：公眾號(hào)【啥都會(huì)一點(diǎn)的研究生】后臺(tái)回復(fù)【trickbook】

部分內(nèi)容展示

部分目錄

機(jī)器學(xué)習(xí)算法是否都依賴于梯度下降？（9）

為什么Sklearn的線性回歸沒有超參數(shù)？（11）

使用Jupyter DataTables豐富Pandas DataFrame的默認(rèn)預(yù)覽。（13）?

通過(guò)這個(gè)簡(jiǎn)單的圖形可視化線性回歸的性能。（14）?

通過(guò)這個(gè)簡(jiǎn)單的技巧使熱圖更豐富。（16）?

置信區(qū)間和預(yù)測(cè)區(qū)間不是相同的概念。（17）?

機(jī)器學(xué)習(xí)中性能指標(biāo)的終極分類。（19）?

用最酷的Matplotlib技巧直觀地創(chuàng)建子圖。（23）?

將Python項(xiàng)目目錄作為腳本執(zhí)行。（25）?

單熱編碼中最常被忽視的問題。（26）?

數(shù)據(jù)科學(xué)中最重要的9個(gè)圖表。（28）?

在訓(xùn)練機(jī)器學(xué)習(xí)模型之前，分類特征編碼是否總是必要的？（30）

Scikit-LLM：將Sklearn API與大型語(yǔ)言模型集成。（33）?

訓(xùn)練準(zhǔn)確度和訓(xùn)練損失的反直覺行為。（34）

?Sigmoid函數(shù)實(shí)現(xiàn)中一個(gè)常被忽視的要點(diǎn)。（38）

?聚類算法的終極分類。（41）

?在不改變?nèi)魏未a的情況下改進(jìn)Python運(yùn)行時(shí)間。（43）

?Pandas合并方法中一個(gè)不太為人知的特性。（45）?

最酷的GitHub-Colab集成，你會(huì)驚嘆不已。（47）?

大多數(shù)Sklearn用戶對(duì)其LinearRegression實(shí)現(xiàn)的這個(gè)問題不了解。（48）?

使用Stickyland打破筆記本的線性呈現(xiàn)方式。（50）

?通過(guò)這個(gè)簡(jiǎn)單的圖形可視化任何線性回歸模型的性能。（51）

?瀑布圖：一種更好的替代線條/柱形圖的方式。（53）

?Google樣式指南對(duì)導(dǎo)入的要求是什么？（54）

?如何真正使用訓(xùn)練集、驗(yàn)證集和測(cè)試集？（56）

?在不丟失變量的情況下重新啟動(dòng)Jupyter內(nèi)核。（59）

?在使用PCA之前需要考慮的優(yōu)缺點(diǎn)。（60）?

損失函數(shù)：一個(gè)按算法分類的全面總結(jié)。（62）?

在訓(xùn)練機(jī)器學(xué)習(xí)模型之前，數(shù)據(jù)歸一化總是必要的嗎？（64）

?使用Pigeon按鈕注釋數(shù)據(jù)。（67）

?用Sankey圖豐富混淆矩陣。（68）?

隨機(jī)梯度下降、小批量梯度下降和批量梯度下降的可視化指南。（70）?

for循環(huán)和列表推導(dǎo)之間一個(gè)不太為人知的區(qū)別。（73）

?PCA的一個(gè)常被忽視的限制。（75）?

魔術(shù)方法：Python面向?qū)ο缶幊讨幸粋€(gè)被低估的亮點(diǎn)。（78）?

許多人不屑于記住的回歸算法分類。（81）?

分析Pandas DataFrame時(shí)一個(gè)高度被忽視的方法。（83）

?用Bump Charts可視化隨時(shí)間的排名變化。（84）

?使用這個(gè)簡(jiǎn)單的技巧永遠(yuǎn)不必再為TP、TN、FP和FN而努力。（85）

?關(guān)于Pandas中原位操作最常見的誤解。（87）?

用Mercury在Jupyter Notebook中構(gòu)建優(yōu)雅的Web應(yīng)用程序。（89）

?用Pandas轉(zhuǎn)SQL實(shí)現(xiàn)成為雙語(yǔ)數(shù)據(jù)科學(xué)家。（91）?

Sklearn的一個(gè)不太為人知的特性，用于在大型數(shù)據(jù)集上訓(xùn)練模型。（93）

?用一行代碼創(chuàng)建專業(yè)外觀的Matplotlib圖形。（95）?

在索引DataFrame時(shí)避免這個(gè)代價(jià)高昂的錯(cuò)誤。（97）

用更靈活的方式運(yùn)行Python腳本的9個(gè)命令行標(biāo)志。（100）

KMeans呼吸法：比KMeans更好、更快的替代方法（102）?

在使用PCA時(shí)，應(yīng)該將數(shù)據(jù)降到多少維？（105）?

Mito剛剛通過(guò)AI加速了?。?08）?

在使用總結(jié)統(tǒng)計(jì)數(shù)據(jù)之前，要謹(jǐn)慎得出任何結(jié)論（110）

?在布爾上下文中使用自定義的Python對(duì)象（112）?

機(jī)器學(xué)習(xí)中抽樣技術(shù)的可視化指南（114）

?你可能對(duì)元組的不可變性得到了不完整的信息（118）

一個(gè)簡(jiǎn)單的技巧，顯著提高M(jìn)atplotlib圖的質(zhì)量（120）?

PCA的視覺和過(guò)于簡(jiǎn)化的指南（122）?

用ipyflow強(qiáng)化你的Jupyter內(nèi)核（125）

?使用Plotly創(chuàng)建圖形的一個(gè)鮮為人知的特性（127）?

歐氏距離的局限性，許多人經(jīng)常忽視（129）

?可視化正則化參數(shù)的影響（132）

?AutoProfiler：在你工作時(shí)自動(dòng)分析你的DataFrame（134）

?一點(diǎn)額外的努力可以極大地改變你的講故事技巧（136）?

Python中一個(gè)讓許多程序員不知道的隱含功能（138）

?通過(guò)Sankey圖交互地可視化決策樹（141）?

小心使用直方圖。它們是非常誤導(dǎo)性的?。?43）

?三種簡(jiǎn)單的方法（即時(shí)）讓你的散點(diǎn)圖整潔無(wú)雜亂（145）

?在下次使用KMeans之前需要考慮的（非常）重要的一點(diǎn)（148）

?為什么你應(yīng)該避免向DataFrame添加行（151）

?Matplotlib有許多隱藏的寶石。這是其中之一（153）?

關(guān)于Python字典的一個(gè)違反直覺的事情（155）

?執(zhí)行Python代碼的可能是最快的方法（158）?

你確定你正在使用正確的Pandas術(shù)語(yǔ)嗎？（160）

類不平衡問題總是一個(gè)大問題需要解決嗎？（163）

?一個(gè)簡(jiǎn)單的技巧，使熱圖更加優(yōu)雅（165）

?局部聚類和密度聚類的可視化對(duì)比（167）?

為什么我們不稱之為邏輯分類而不是邏輯回歸？（168）

?關(guān)于決策樹的一個(gè)典型問題，許多人經(jīng)常忽視（170）

?在使用線性回歸之前始終驗(yàn)證輸出變量（171）

?關(guān)于Python函數(shù)的一個(gè)違反直覺的事實(shí)（172）

?為什么在訓(xùn)練機(jī)器學(xué)習(xí)模型之前對(duì)數(shù)據(jù)集進(jìn)行洗牌很重要？（173）

?熱圖的限制正在拖慢你的數(shù)據(jù)分析（174）

?皮爾遜相關(guān)性的限制，許多人經(jīng)常忽視（175）

?為什么我們通常建議設(shè)置隨機(jī)生成器的種子？（176）?

一個(gè)被低估的提高數(shù)據(jù)可視化的技巧（177）

?在Jupyter Notebook中創(chuàng)建圖表和透視表的無(wú)代碼工具（178）?

如果你無(wú)法編寫矢量化的方法，可以嘗試這個(gè)（179）?

為什么我們通常建議不要迭代DataFrame？（181）?

在Python中操縱可變對(duì)象有時(shí)會(huì)讓人困惑（182）

?這個(gè)小調(diào)整可以顯著提升KMeans的運(yùn)行時(shí)間（184）?

大多數(shù)Python程序員不知道關(guān)于Python面向?qū)ο缶幊痰倪@個(gè)問題（186）

?誰(shuí)說(shuō)Matplotlib不能創(chuàng)建交互式圖形？（188）

?不要?jiǎng)?chuàng)建混亂的條形圖，而是嘗試氣泡圖?。?89）?

你可以將列表添加為字典的鍵（技術(shù)上可以）！（190）?

許多人在使用線性回歸時(shí)經(jīng)常忽視這一點(diǎn)（191）

?35個(gè)隱藏的Python庫(kù)，它們是絕對(duì)的寶藏（192）?

小心使用箱形圖！它們可能會(huì)誤導(dǎo)你（193）?

創(chuàng)建更好的數(shù)據(jù)圖的一個(gè)被低估的技巧（194）?

每個(gè)數(shù)據(jù)科學(xué)家一直在等待的Pandas DataFrame擴(kuò)展（195）

?使用Xonsh用Python增強(qiáng)Shell（196）?

大多數(shù)命令行用戶不知道關(guān)于使用終端的這個(gè)酷技巧（197）?

一個(gè)簡(jiǎn)單的技巧，充分利用Pandas中的透視表（198）?

為什么Python不提供真正的面向?qū)ο蠓庋b？（199）?

在使用Pandas讀取CSV時(shí)，再也不必?fù)?dān)心解析錯(cuò)誤（200）

使用Pandas創(chuàng)建圖表的有趣而鮮為人知的方法（201）

?大多數(shù)Python程序員對(duì)Python for循環(huán)不知情（202）

?如何在Python中啟用函數(shù)重載（203）

?編寫Pandas代碼時(shí)生成有用的提示（204）

?使用Bottleneck將NumPy方法加速25倍（205）

可視化神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)轉(zhuǎn)換（206）?

不再手動(dòng)重構(gòu)代碼，而是使用Sourcery！（207）

?在幾秒鐘內(nèi)繪制你正在尋找的數(shù)據(jù)（208）?

為了使Matplotlib圖更具吸引力而進(jìn)行樣式設(shè)置（209）?

將Pandas的Parquet I/O加速5倍（210）?

40個(gè)開源工具，為你的Pandas工作流提速（211）

?停止使用Pandas的describe方法。改用Skimpy（212）?

以正確的方式升級(jí)Python庫(kù)（213）?

使用Sklearn一行代碼預(yù)覽決策樹（214）?

停止使用Pandas的describe方法。改用Summarytools（215）?

再也不用手動(dòng)搜索Jupyter筆記本以找到你的代碼了（216）?

f-strings比你想象的更加多功能（217）

?這是有史以來(lái)最好的KMeans動(dòng)畫指南嗎？（218）?

改善模型性能的有效但被低估的技術(shù)（219）?

直接從終端創(chuàng)建數(shù)據(jù)圖（220）?

使你的Matplotlib圖更專業(yè)（221）?

37個(gè)隱藏的Python庫(kù)，它們是絕對(duì)的寶藏（222）?