Books

Sites

Quelques sites pour apprendre, questionner et se former.

• articles scientifiques : DBLP, Google Schoolar
• questions/réponses : Stack Overflow, Stack Exchange (notamment crossvalidated pour la science des données)
• courses : ML Crash course
• communautés : article dev, tutoriels, forum idées :
  • général : Medium, Dev.to
  • spécialisé : Toward Data Science, Data science Central
• plateforme de code open-source : Github, Gitlab
• Awesome ressources about everything :

  https://github.com/sindresorhus/awesome

• cheatsheet (antisèche) :

  https://quickref.me/

  ,

  https://devhints.io

• science des données/ML :
  • Good one :

    https://st2.ning.com/topology/rest/1.0/file/get/1211570060?profile=original

  • on Kaggle :

    https://www.kaggle.com/timoboz/data-science-cheat-sheets

  • on Kdnuggets :

    https://www.kdnuggets.com/2018/09/meverick-lin-data-science-cheat-sheet.html

  • Data viz :

    https://www.kdnuggets.com/2018/08/data-visualization-cheatsheet.html

  • on Data Camp :

    https://www.datacamp.com/community/data-science-cheatsheets

Bibliothèques Logicielles

Quelques bibliothèques Python incontournables.

• Machine Learning : scikit-learn
• Data viz : Matplotlib, Seaborn, Plotly
• Efficient math and Computing : Numpy, Scipy (see also scipy lectures), Pandas
• Deep learning : Keras, Pytorch, Tensorflow
• Natural Langage Processing (NLP) : Nltk and Spacy

Livres

• Introduction to Machine Learning with Python : here
• Machine Learning with scikit-learn : here
• Python Data Science Handbook: here
• Pattern Recognition and Machine Learning (Bishop) : Pour approfondir et comprendre les mathématiques derrière les algorithmes de ML : here
• Deep Learning (with math):

  https://www.deeplearningbook.org/

• Deep Learning with Keras (without math):

  https://1lib.fr/book/3405527/e37e39

• Deep learning master 2 lectures and notebooks:

  https://m2dsupsdlclass.github.io/lectures-labs/