pybkb_v3

Python scripts for atmospheric science written during grad school at the University of Utah (Python 3)

pydata-airflow-workshop-notebook

Jupyter Notebook from the "Scheduling Machine Learning Pipelines using Apache Airflow" workshop @ PyData Eindhoven 2019

pyspark-and-mllib

Getting start with PySpark and MLlib

pyspark_tutorial

Implementation of Spark code in Jupyter notebook. Topics include: RDDs and DataFrame, exploratory data analysis (EDA), handling multiple DataFrames, visualization, Machine Learning

python

All Algorithms implemented in Python

python-1

Python Tutorials

python-examples

quantecon-notebooks-datascience

Jupyter Notebooks for https://datascience.quantecon.org

quantum-computing

Creation of quantum circuits using Qiskit a Python library designed by IBM

random_searchcv_scratch

randomsearchcv

real-time-data-pipeline-using-kafka-and-spark

recommender_system

The recommender system takes two basic approaches, that is Collaborative Filtering or Content Based Filtering. The first approach is used in this project. Collaborative Filtering arrives at a recommendation that is based on a model of prior user behavior like movie ratings. I have used two datasets - MovieLens and Netflix Prize Data. This filtering technique has two popular approaches - Nearest Neighbor and Latent Factor based method. For the second technique, Sparks Alternating Least Squared implementation, an RDD - based API is used

red_wine_portugal

This Project was made within the scope of the Big Data discipline. One of the objectives of this project is to learn to work with the pyspark library, learning the differences between pyspark (parallel distribution) and pandas. The dataset is a dataset referring to the red wine of Portugal, where it talks about the characteristics of the wine. An exploratory analysis is made to the dataset that includes the descriptions of variables and the creation of graphs, where we observe the correlation between variables. Then, models are created to predict the quality of red wine. Being the models, logistic regression and random forest.

regularization

Ridge and Lasso

remote-sensing-with-python

research

Open sourced research notebooks by the QuantConnect team.

robotics-coursework

A curated collection of places where you can learn robotics, algorithms, and other useful tools for aspiring robotics software engineers.

rock-identification-using-deep-convolution-neural-network

Rocks are a fundamental component of Earth. The automatic identification of rock type in the field would aid geological surveying, education, and automatic mapping. It is a basic part of geological surveying and research, and mineral resources exploration. The automatic identification of rock type in the field would aid geological surveying, education, and automatic mapping. Working conditions in the field generally limit identification to visual methods, including using a magnifying glass for fine-grained rocks. Visual inspection assesses properties such as colour, composition, grain size, and structure. The attributes of rocks reflect their mineral and chemical composition, formation environment, and genesis. The colour of rock reflects its chemical composition. But these analysis is time taken process to identify the rocks.Its application here has effectively identified rock types from images captured in the field. This paper proposes an accurate approach for identifying rock types in the field based on image analysis using deep convolutional neural networks. Solution: Deep learning is receiving significant research attention for pattern recognition and machine learning. Its application here has effectively identified rock types from images captured in the field. This paper proposes an accurate approach for identifying rock types in the field based on image analysis using deep convolutional neural networks. The results show that the proposed approach based on deep learning represents an improvement in intelligent rock-type identification and solves several difficulties facing the automated identification of rock types in the field.Who are experienced in the field of geological they can identify the rocks easily. But who are new to the field, it can help to identify the type of rock.

rpi-temp-sensor-project

Raspberry Pi code to collect data from temp sensors and send telegram alerts

satellite-field-monitoring-using-earth-engine-and-machine-learningv2

This Python code will analyse the quality of field from 6 years data of MSAVI, NDVI, NDWI indices. We have designed Earth Engine Application to download spectrum data in the format of csv. Python code snippet will import that data and will calculate field parameters and it will predict the quality of field. For that we have implemented K-means clustering algorithm.

satellite-image-deep-learning

Resources for deep learning with satellite & aerial imagery

satellite-ndvi-prediction

Work on predicting NVDI score with radar images (Sentinel-1 and Sentinel-2 images)

scikit-garden

A garden for scikit-learn compatible trees

seaborn

segmentation-targeting-and-detection-of-abnormality-project

Mesure du ROI publicitaire Facebook Une introduction à la plateforme publicitaire Facebook Avec les réseaux de recherche et d’affichage de Google, Facebook est l’un des grands acteurs quand il s’agit de la publicité en ligne. Comme les utilisateurs de Facebook interagissent avec la plate-forme, en ajoutant des informations démographiques, en aimant des pages particulières et en commentant des publications spécifiques, Facebook construit un profil de cet utilisateur en fonction de qui ils sont et de ce qu’ils sont intéressés. Ce fait rend Facebook très attrayant pour les annonceurs. Les annonceurs peuvent créer des publicités Facebook, puis créer un «auditoire» pour cette publicité ou groupe d’annonces. Les audiences peuvent être construites à partir d’un éventail d’attributs, y compris le sexe, l’âge, l’emplacement et les intérêts. Ce ciblage spécifique signifie que les annonceurs peuvent adapter le contenu de manière appropriée pour un public spécifique, même si le produit commercialisé est le même.Imaginons, par exemple, qu’une entreprise veuille annoncer sa nouvelle voiture. Ils souhaitera peut-être promouvoir un ensemble de caractéristiques, de performances et de 2 kW stéréo, pour les femmes dans leur début de la vingtaine. Ils pourraient décider qu’ils veulent parler de son efficacité énergétique et de réduire les Emmissions aux hommes dans la trentaine, et ils pourraient vouloir pousser l’intérieur spacieux et la note de sécurité pour les hommes et les femmes dans les années trente et les premières quarantaine qui sont intéressés par les familles magazine et qui aiment les pages de couches et les fabricants de vêtements pour bébés.De quoi avons-nous besoin de notre analyse des publicités Facebook? Lorsqu'il s'agit d'analyser l'ensemble de données sur les publicités Facebook, nous pouvons poser beaucoup de questions et générer beaucoup d'informations. Toutefois, d’un point de vue commercial, nous souhaitons poser des questions qui nous apporteront des réponses que nous pourrons utiliser pour améliorer les performances commerciales. Sans rien connaître de la stratégie marketing de l'entreprise ni des objectifs de sa campagne, nous ne savons pas quels indicateurs de performance clés (KPI) sont les plus importants. Par exemple, une nouvelle société peut se concentrer sur la notoriété de la marque et vouloir maximiser le nombre d'impressions, en se préoccupant moins de la performance de ces annonces en termes de génération de clics et de revenus. Une autre entreprise peut simplement vouloir maximiser le montant de ses revenus tout en minimisant ses dépenses en publicité. Ces deux objectifs étant très différents, il est important de travailler avec le client pour comprendre exactement ce qu’ils espèrent obtenir de leurs campagnes marketing avant de commencer toute analyse, afin de garantir la pertinence de nos conclusions et, en particulier, leur mise en oeuvre. Il ne sert à rien de produire un rapport riche en informations, si le client ne peut rien y faire. Commençons par importer les données, jetons un coup d'œil et analysons des analyses qui devraient être pertinentes pour une série d'objectifs.

sentinel-hub

Exploring sentinel hub python library to extract satellite images and NDVI values

shiny

Easy interactive web applications with R

sk-learn

A detailed research and study on sci-kit learn library in python

soil-moisture-cal

Capacitive soil moisture sensor calibration with Arduino and Python