22 Ciekawe pomysły i tematy projektów Open Source w Pythonie dla początkujących [2022]

Python jest jednym z najpopularniejszych języków programowania na świecie i istnieje wiele przyczyn tej sławy. Jednym z tych powodów jest duża liczba projektów i bibliotek typu open source dostępnych dla tego języka. Od uczenia maszynowego po animację, istnieje projekt Pythona na prawie wszystko. Jeśli chcesz zostać biegłym programistą Pythona, powinieneś znać niektóre z tych projektów (jeśli nie wszystkie).

Dlatego w tym artykule omówimy różne projekty Pythona z kodem źródłowym Github. Ponieważ Python ma aplikacje w różnych branżach, możesz znaleźć wiele projektów, które pomogą Ci wykonać zadania. Powinieneś wybierać projekty zgodnie ze swoimi zainteresowaniami i doświadczeniem. Jeśli jesteś początkującym użytkownikiem Pythona i chciałbyś zdobyć wiedzę specjalistyczną, sprawdź nasze certyfikaty z dziedziny nauki o danych. Możesz dodać ten artykuł do zakładek do wykorzystania w przyszłości. Zacznijmy.

Oto kilka pomysłów na projekty Python Open Source —

Pomysły na projekty Open Source w Pythonie

1. Otwórz CV

Wizja komputerowa jest jednym z najbardziej pożądanych zastosowań sztucznej inteligencji. Wizja komputerowa skupia się na modelach AI, które mogą analizować obrazy i filmy pod kątem konkretnych implementacji, takich jak identyfikacja obiektów, rozpoznawanie twarzy itp.

Jeśli chcesz pracować nad projektami wizji komputerowej, musisz zapoznać się z OpenCV. OpenCV to biblioteka Pythona do rozwiązywania problemów z widzeniem komputerowym. Gary Brodsky założył OpenCV w 1999 roku i od tego czasu stał się jednym z najpopularniejszych projektów Pythona z kodem źródłowym Github.

OpenCV umożliwia przeprowadzanie analizy obrazu i stanowi podstawę wielu wyrafinowanych algorytmów widzenia komputerowego. Aby korzystać z OpenCV, powinieneś znać Numpy, popularną bibliotekę do wykonywania operacji numerycznych za pomocą kodu Pythona. Aby pracować nad projektami wizji komputerowej, musiałbyś zintegrować OpenCV z innymi bibliotekami, dlatego umieściliśmy go na szczycie naszej listy. Dowiedz się więcej o OpenCV tutaj .

2. Keras

Keras jest prawdopodobnie najpopularniejszym narzędziem do głębokiego uczenia się w Pythonie. Jest to biblioteka, która upraszcza głębokie uczenie dla programistów Pythona, dzięki czemu stała się bardzo popularna wśród profesjonalistów AI. Keras oferuje spójne i proste interfejsy API, które minimalizują całkowitą liczbę działań, które musisz wykonać.

Automatyzuje wiele niezbędnych przypadków użycia, więc musisz skupić się tylko na zaawansowanych sekcjach sieci neuronowej. Keras słynie również z dokładnych i szybkich komunikatów o błędach, które ostrzegają, gdy popełnisz jakiekolwiek błędy.

Jeśli chcesz zostać specjalistą od głębokiego uczenia się, powinieneś zapoznać się z Keras i jego aplikacjami. Keras znalazł się w pierwszej piątce zwycięskich drużyn na Kaggle i zajął drugie miejsce. 1 wśród najczęściej używanych platform uczenia głębokiego.

Ponieważ Keras korzysta z TensorFlow, jest on dostępny z dowolnego miejsca i zapewnia szereg dodatkowych korzyści. NASA, LHC, CERN i wiele innych czołowych organizacji używa Keras do badań. Więc z pewnością warto się temu przyjrzeć. Więcej o Kerasie dowiesz się tutaj .

2. Kolba

Flask jest mini frameworkiem, ponieważ nie ma żadnych konkretnych bibliotek ani narzędzi. Dodatkowo nie ma żadnej formy walidacji ani warstwy abstrakcji bazy danych, dzięki czemu programista może wybrać je zgodnie ze swoimi wymaganiami. Flask zaczynał jako wrapper wokół Jinja i Wekrzeug, ale stał się jednym z najpopularniejszych projektów Pythona z kodem źródłowym Github.

Oprócz sławy Flask ma również jedną z najbardziej aktywnych społeczności deweloperów. Jeśli więc napotkasz jakiekolwiek problemy, możesz zapytać w społeczności i szybko uzyskać pomocne odpowiedzi. Społeczność Flaska dodała do niego liczne rozszerzenia, co znacznie poprawia jego funkcjonalność. Z tych powodów Flask jest niezbędnym frameworkiem dla każdego programisty WWW w Pythonie. Dowiedz się więcej o Flasku tutaj.

3. SpaCy

Python ma wiele zastosowań w sztucznej inteligencji, dlatego ma wiele bibliotek i frameworków dla potrzeb związanych ze sztuczną inteligencją. Jeśli planujesz zostać profesjonalistą AI, ten projekt jest bez wątpienia najlepszy dla Ciebie. spaCy to biblioteka o otwartym kodzie źródłowym do wysokopoziomowego przetwarzania języka NLP (Natural Language Processing) w Pythonie. NLP to podstawowa technologia stojąca za wieloma zaawansowanymi aplikacjami AI, takimi jak analiza tekstu, analiza sentymentu i inne.

Podstawowym zastosowaniem spaCy jest tworzenie aplikacji klasy produkcyjnej, które mogą przetwarzać duże ilości tekstu. Możesz użyć spaCy do tworzenia rozwiązań do rozumienia języka naturalnego, systemów ekstrakcji informacji lub wstępnego przetwarzania ulepszonego modelu uczenia głębokiego. Jednym z wielu powodów jego dużej popularności jest długa lista funkcji.

Możesz przypisywać typy słów do tokenów (takich jak segmentacja mowy lub głosu), lematyzować tekst (konwertować słowa na ich formy podstawowe), znajdować i oznaczać poszczególne zdania oraz z łatwością wykonywać wiele innych zadań. spaCy to niezbędny projekt Pythona na Github. Powinieneś się z nim zapoznać, jeśli chcesz zostać biegłym specjalistą od sztucznej inteligencji lub jeśli chcesz pracować nad projektami NLP. Więcej o spaCy dowiesz się tutaj .

4. Nilearn

To fantastyczny projekt dla każdego profesjonalisty zajmującego się głębokim uczeniem. Nilearn to moduł Pythona, który koncentruje się na przeprowadzaniu statystycznego uczenia się na danych NeuroImaging. Aby korzystać z Nilearn, powinieneś znać scikit-learn, znane narzędzie Pythona do zastosowań naukowych. Korzystając z nilearn, możesz wykonywać wiele zadań na danych NeuroImaging. Na przykład możesz wykonać dekodowanie, klasyfikację, analizę połączeń, modelowanie predykcyjne i różne inne zadania.

NeuroImaging to ważna dziedzina medycyny, a możliwości Nilearn rozwiązują wiele problemów występujących w tym sektorze. Korzystając z Nilearn, możesz sprawić, że analiza Neuroimages będzie stosunkowo łatwa i skuteczna. Sztuczna inteligencja znajduje wiele zastosowań w sektorze opieki zdrowotnej, a jeśli interesuje Cię wykorzystanie swoich umiejętności AI do pracy w tej branży, powinieneś zapoznać się z Nilearn. Dowiedz się więcej o Nilearn tutaj .

5. PyTorch

PyTorch to pozycja obowiązkowa dla każdego profesjonalisty zajmującego się uczeniem maszynowym. Jeśli aspirujesz do wejścia w branżę uczenia maszynowego, powinieneś przyjrzeć się PyTorch, ponieważ jest to jeden z najpopularniejszych frameworków dla aplikacji ML. Ułatwia liczne wdrożenia ML, od wdrożenia produkcyjnego po prototypowanie badawcze.

PyTorch jest oprogramowaniem typu open source, co oznacza, że ​​korzystanie z niego jest bezpłatne. Posiada również wiele funkcji, dzięki którym możesz szybko pracować nad projektami ML i uniknąć wielu kłopotów. Ekosystem PyTorch jest wypełniony wieloma bibliotekami i narzędziami z różnych sekcji uczenia maszynowego, w tym uczenia ze wzmocnieniem i wizji komputerowej.

Podobnie ma natywną obsługę ONNX (otwartej wymiany sieci neuronowej). Istnieje długa lista funkcji, dzięki którym PyTorch jest niezbędny dla każdego profesjonalisty Pythona. Jego powszechna popularność pomogła mu w stworzeniu fantastycznej społeczności pomocnych i innowacyjnych programistów i badaczy. Możesz dowiedzieć się więcej o PyTorch tutaj .

6. Nauka scikitu

Scikit-learn jest jedną z najpopularniejszych bibliotek Pythona dla profesjonalistów zajmujących się uczeniem maszynowym. Zapewnia wiele narzędzi do predykcyjnej analizy danych. Jest użyteczny komercyjnie i jest open-source. Oparty na SciPy, matplotlib i NumPy, scikit-learn jest niezbędny dla każdego, kto chce pracować nad projektami uczenia maszynowego. Scikit-learn umożliwia wykonywanie wielu implementacji uczenia maszynowego.

Dzięki algorytmom i narzędziom możesz wykonywać regresję, klasyfikację, wybór modelu, redukcję wymiarowości, wstępne przetwarzanie danych i wiele innych zadań ML. Narzędzia Scikit-learn są łatwe do nauczenia. Jest to również słynny Github projektu Pythona dla podstawowych implementacji uczenia maszynowego, więc poznanie go z pewnością pomoże Ci zostać profesjonalistą w tym sektorze.

7.Gensim

Gensim to kolejny popularny projekt wśród programistów Pythona. Jest to bezpłatna biblioteka, której możesz użyć do analizy dokumentów tekstowych pod kątem struktury semantycznej. Gensim słynie z modelowania tematów. Jeśli chcesz pracować nad projektami analizy tekstu, powinieneś zapoznać się z biblioteką. Pomoże Ci w realizacji różnych projektów NLP. Model tematyczny to model statystyczny, który wykrywa abstrakcyjne tematy w grupie dokumentów tekstowych.

Będziesz musiał wykonać modelowanie tematów do eksploracji tekstu, ponieważ pomaga to z łatwością znaleźć ukryte struktury semantyczne. Gensim jest prawdopodobnie najlepszym rozwiązaniem Pythona do modelowania tekstu, ponieważ bez problemu radzi sobie z małymi i dużymi objętościami tekstu. Dowiedz się więcej o Gensim tutaj .

8. Librosa

Popularną dziedziną zastosowań AI jest analiza mowy i dźwięku. Jeśli jesteś zainteresowany wykonaniem tych zadań, powinieneś wypróbować Librosę. Jest to pakiet Pythona, który koncentruje się na analizie dźwięku i muzyki. Korzystając z Librosy, możesz łatwo stworzyć system wyszukiwania informacji o muzyce. Analiza dźwięku stała się bardzo popularna dzięki asystentom AI, inteligentnym urządzeniom domowym i platformom do strumieniowego przesyłania muzyki. Librosa zapewnia niezbędne podstawy potrzebne do zbudowania rozwiązania do analizy muzyki. Dowiedz się więcej o Librosie tutaj .

9. Rozpoznawanie twarzy

Jak sama nazwa wskazuje, Face Recognition to biblioteka Pythona do rozpoznawania twarzy. Upraszcza rozpoznawanie twarzy na zdjęciach i filmach, dostarczając określone polecenia. Korzystając z tej biblioteki, możesz wykonać rozpoznawanie twarzy na obrazach z tylko jedną lub dwiema liniami kodu. Rozpoznawanie twarzy opiera się na modelu głębokiego uczenia. Jego model uzyskał 99,38% dokładności w teście LFW (Labeled Faces in the Wild).

Zawiera proste narzędzie wiersza polecenia <face_recognition>, którego można użyć do wydajnego rozpoznawania twarzy. Kolejną doskonałą jakością tej biblioteki jest możliwość łączenia jej z innymi popularnymi bibliotekami Pythona w celu tworzenia zaawansowanych rozwiązań do identyfikacji twarzy. To bez wątpienia doskonałe narzędzie dla każdego profesjonalisty AI. Dowiedz się więcej na temat rozpoznawania twarzy tutaj .

10 Django

Jeden z najpopularniejszych frameworków Pythona, Django, pozwala tworzyć aplikacje internetowe z mniejszą liczbą linii kodu iw krótszym czasie. Znacznie upraszcza tworzenie aplikacji internetowych, ponieważ zajmuje się podstawami tworzenia aplikacji internetowych, a Ty musisz skupić się tylko na technicznych aspektach swojej aplikacji internetowej. Django zawiera wiele wbudowanych narzędzi i udogodnień, które mogą przyspieszyć tworzenie aplikacji internetowych.

Na przykład ma kanały RSS, mapy witryn, uwierzytelnianie użytkowników i narzędzia do administrowania treścią. Możesz szybko dodać je do swojej aplikacji internetowej za pomocą Django i zaoszczędzić dużo czasu i wysiłku. Korzystając z Django, możesz szybko zostać programistą aplikacji internetowych w języku Python. Django ma ogromną społeczność programistów i użytkowników, w której możesz szybko znaleźć odpowiedzi na swoje pytania i wątpliwości. Dowiedz się więcej o Django tutaj .

11. SimpleCoin

SimpleCoin to fantastyczny projekt dla entuzjastów kryptowalut. Jest to prosta, niekompletna i niepewna implementacja łańcucha bloków kryptowaluty w Pythonie. Projekt koncentruje się na zbudowaniu w pełni funkcjonalnej waluty blockchain, przy jednoczesnym zapewnieniu, że pozostanie ona tak prosta, jak to tylko możliwe.

Ten projekt jest przeznaczony do celów edukacyjnych, więc niezależnie od tego, czy jesteś profesjonalistą w Pythonie, czy entuzjastą blockchain, przyjrzenie się mu będzie pomocne. SimpleCoin pomoże Ci zapoznać się z podstawami blockchain i kryptowalut. Możesz zbadać, w jaki sposób węzły w łańcuchu bloków wchodzą w interakcję i jak użytkownicy wykonują transakcje w jednym. SimpleCoin jest jednym z najpopularniejszych projektów Pythona z kodem źródłowym Github z ponad 1500 gwiazdkami podczas pisania tego artykułu. Możesz dowiedzieć się więcej o SimpleCoin tutaj .

12. Pandy

Pandas to obowiązkowa biblioteka Pythona dla naukowców zajmujących się danymi i entuzjastów nauki o danych. Pandas weszła na rynek w 2008 roku i od tego czasu stała się potężnym narzędziem dla każdego profesjonalisty ds. danych. Zapewnia struktury danych i narzędzia, których można użyć do manipulacji danymi. Pandas ma środki do odczytywania i zapisywania danych między różnymi formatami. Oferuje również fantazyjne indeksowanie, podzbiór i dzielenie dużych zbiorów danych na plasterki. Oto kilka dodatkowych zadań, które możesz wykonać za pomocą Pand:

• Łącz i łącz zestawy danych o wysokiej wydajności
• Wykonuj hierarchiczne indeksowanie osi, aby wydajnie pracować z danymi wielowymiarowymi.
• Generuj zakres dat i konwertuj częstotliwości, aby uzyskać lepszą funkcjonalność szeregów czasowych

W Pandas jest wiele innych funkcji i dlatego jest to konieczność dla każdego specjalisty od analizy danych. Jest open-source, więc możesz z niego korzystać za darmo. Jeśli jesteś studentem informatyki, musisz znać Pandy. Dowiedz się więcej o Pandach tutaj .

13. Pipen

Pipenv to narzędzie, które każdy programista Pythona powinien mieć w swoim arsenale. Dzięki temu Twoja praca jako programisty będzie znacznie prostsza. Pipenv to narzędzie, które koncentruje się na dostarczaniu korzyści z różnych sektorów pakowania w Pythonie. Służy do przepływu pracy deweloperów i pozwala użytkownikom z łatwością konfigurować środowiska pracy w Pythonie.

Pipenv może stworzyć i obsłużyć virtualenv dla Twojego zadania. Może dodawać pakiety lub usuwać je z pliku Pipfile podczas ich instalowania lub odinstalowywania. Pipenv tworzy pipfile.lock do tworzenia deterministycznych kompilacji. Dzięki Pipenv nie będziesz musiał oddzielnie używać virtualenv i pip. Pipfile.lock pomaga w uniknięciu błędów zależności między różnymi pakietami. Dowiedz się więcej o Pipenv tutaj .

14. Mikropython

MicroPython umożliwia uruchamianie Pythona na mikrokontrolerach. Posiada również płytkę python MicroPython, małą płytkę drukowaną, która może obsługiwać MicroPython i zapewnia niskopoziomowy system operacyjny oparty na języku Python. MicroPython jest wyposażony w funkcje, takie jak generatory, zarządzanie wyjątkami, interaktywne podpowiedzi i inne.

Możesz uruchomić z zaledwie 256k miejsca na kod. Jeśli interesują Cię mikroczipy i mikrokontrolery, z pewnością powinieneś zapoznać się z tym projektem Pythona, Github. Możesz dowiedzieć się więcej o MicroPythonie tutaj .

15. Piraja

Jeśli szukasz wyjątkowego i kreatywnego projektu, Pyray jest dla Ciebie. Pyray to projekt typu open source, który umożliwia użytkownikom renderowanie 3D za pomocą prostego kodu w Pythonie. Tak więc, jeśli interesujesz się aplikacjami Pythona w sztuce i dziedzinach pokrewnych, powinieneś zajrzeć do Pyraya. Dzięki Pyray możesz tworzyć animacje 3D, animacje 2D, obiekty 3D i wiele innych rzeczy. Wszedł na rynek dopiero w 2018 roku, a w ciągu zaledwie dwóch lat stał się jednym z najpopularniejszych projektów Pythona na Github. Więcej o Pyray dowiesz się tutaj .

16. Myśl

To doskonały projekt dla specjalistów od analizy danych. Jeśli od jakiegoś czasu zajmujesz się nauką o danych, być może słyszałeś już jej nazwę. Dash to produkt firmy Plotly i platforma do tworzenia aplikacji internetowych do nauki o danych i ML. Oprócz Pythona możesz używać Julii i R z Dashem. Dash ułatwia opracowywanie aplikacji internetowych dla analityków danych, eliminując potrzebę tworzenia dedykowanego back-endu i front-endu.

Dash jest oparty na Flask, bardzo popularnym frameworku Pythona, który omówiliśmy wcześniej w tym artykule. Możesz go używać za darmo w wersji open source. Z drugiej strony możesz również użyć jego płatnej wersji, jeśli masz więcej wymagań. Dash ma ponad 12 000 gwiazd na Github, więc z pewnością jest to duży projekt, z którym powinieneś być zaznajomiony. Dowiedz się więcej o Dash tutaj .

17. Kiwy

Kivy to biblioteka do szybkiego tworzenia aplikacji mobilnych ze złożonym interfejsem użytkownika. Jest kompatybilny z otwartym kodem źródłowym i międzyplatformowym, co czyni go bardzo dostępnym dla programistów Pythona. Rozwój interfejsu użytkownika jest jednym z najważniejszych aspektów każdej aplikacji, a Kivy pomaga znacząco w rozwiązywaniu wszelkich problemów występujących w tym procesie.

Możesz go uruchomić w systemach Windows, Android, OS X, Linux, Raspberry Pi i iOS. Jego zestaw narzędzi zawiera ponad 20 widżetów, więc masz szeroki wybór opcji do wyboru. Kivy to bez wątpienia świetne narzędzie, które można dodać do swojego arsenału pod względem skuteczności i funkcjonalności. Możesz używać Kivy również do tworzenia aplikacji z funkcją multi-touch. Dowiedz się więcej o Kivy tutaj .

18. Modele TensorFlow

Prawdopodobnie jeden z podstawowych projektów Pythona z kodem źródłowym Github, modele TensorFlow to repozytorium z różnymi modelami SOTA (najnowocześniejszymi) dla TensorFlow. TensorFlow jest jednym z najpopularniejszych narzędzi dla profesjonalistów zajmujących się uczeniem maszynowym. Jest to produkt firmy Google z dużą pulą bibliotek i narzędzi.

TensorFlow ułatwia budowanie modeli w uczeniu maszynowym dzięki interfejsom API wysokiego poziomu. Co więcej, możesz uzyskać dostęp do TensorFlow z dowolnego miejsca, ponieważ pozostaje on dostępny w chmurze. Możesz wdrożyć ML lokalnie, w przeglądarce lub na swoim urządzeniu za pomocą TensorFlow.

Projekt TensorFlow Models pomoże Ci zrozumieć możliwości tej potężnej technologii. Możesz wydajnie pracować nad różnymi projektami TensorFlow po zapoznaniu się z różnymi rodzajami rzeczy, które możesz zrobić z TensorFlow. Modele TensorFlow pomagają poznać najlepsze praktyki dotyczące tej technologii, dzięki czemu rzadziej popełniasz błędy i pracujesz z większą dokładnością. Dowiedz się więcej o modelach TensorFlow tutaj .

19. Magenta

To jeden z najlepszych projektów Pythona z kodem źródłowym Github dla entuzjastów AI. Magenta skupia się na badaniu zastosowań sztucznej inteligencji i uczenia maszynowego w generowaniu muzyki i sztuki. Umożliwia rozwijanie algorytmów uczenia ze wzmacnianiem i uczenia głębokiego w celu tworzenia piosenek, rysunków i innych produktów artystycznych.

Jest to produkt inżynierów i badaczy zespołu Google Brain wraz z wieloma innymi ekspertami. Celem Magenta jest pomaganie artystom i muzykom poprzez dostarczanie im ulepszonych narzędzi. Po przejściu przez ten projekt możesz poznać różne sposoby, w jakie sztuczna inteligencja może pomóc kreatywnym dziedzinom.

Wypuszczają modele Magenta za pośrednictwem TensorFlow. Jeśli chcesz wykorzystać swoje umiejętności Pythona w AI i ML, powinieneś skupić się na tym projekcie. Pomoże Ci to zapoznać się z algorytmami uczenia się przez wzmacnianie i sieciami neuronowymi, dwiema najważniejszymi sekcjami AI. Magenta jest dostępna jako biblioteka Pythona o otwartym kodzie źródłowym na TensorFlow. Możesz odwiedzić ich blog , aby dowiedzieć się więcej o Magenta.

20. Snallygaster

Jeśli planujesz wejść w cyberbezpieczeństwo, to jest to idealny projekt dla Ciebie. Snallygaster to rozwiązanie do identyfikacji problemów bezpieczeństwa na serwerach HTTP, takich jak znajdowanie wycieków plików. To narzędzie umożliwia znajdowanie plików na serwerach internetowych, do których mogą uzyskać dostęp niepożądane strony, co powoduje znaczne zagrożenie bezpieczeństwa. Niektóre przykłady tych plików to pliki kopii zapasowych (które mogą zawierać hasła), repozytoria git i inne. Możesz zainstalować snallygaster przez PyPI.

W chwili pisania tego artykułu snallygaster miał ponad 1700 gwiazd na Github.

21. Maska R-CNN

Według jego twórców, Mask R-CNN to elastyczny, prosty i ogólny framework, którego można użyć do segmentacji instancji obiektów. Wzmacnia Faster R-CNN, wybitną technologię widzenia komputerowego do rozpoznawania obrazów i identyfikacji obiektów. Maska R-CNN może wykryć obiekt na obrazie i natychmiast wygenerować maskę segmentacji dla zdarzenia. Szkolenie i dodawanie maski R-CNN do kodu jest łatwe. Dodaje bardzo niewiele kosztów do Faster R-CNN, oferując jednocześnie wiele korzyści.

Mimo że Maska R-CNN jest dość prosta, przewyższa wiele podobnych modeli w segmentacji instancji obiektów, dzięki czemu jest słynnym projektem open-source. Jeśli chcesz w przyszłości pracować nad projektami wizji komputerowej, powinieneś zapoznać się z maską R-CNN. Przejdź do tego linku, aby dowiedzieć się więcej o masce R-CNN .

22. Modele statystyk

Aby pracować z modelami statystycznymi, musiałbyś zapoznać się ze statsmodels, popularnym modułem Pythona. Pozwala eksplorować dane statystyczne, szacować różne modele statystyczne i przeprowadzać testy statystyczne. Modele Stats utworzyłyby szczegółową listę wyników dla każdego estymatora, którą można przetestować z istniejącymi pakietami, aby sprawdzić ich dokładność.

Przed rozpoczęciem pracy z tym rozwiązaniem powinieneś zapoznać się z pakietami Pythona, analizą statystyczną i pandami. Statsmodels jest jednym z najpopularniejszych projektów Pythona z kodem źródłowym Github ze względu na swoją funkcjonalność i prostotę. Jego główne funkcje obejmują stosowanie modeli dyskretnych (ujemna regresja dwumianowa, MNLogit itp.), modeli regresji liniowej, analizy szeregów czasowych itp. Aby dowiedzieć się więcej o tym projekcie, możesz odwiedzić ich stronę internetową lub link do tego projektu w Pythonie Github. Znajdziesz tam dokumentację tego projektu wraz z jego kodem źródłowym.

Dowiedz się więcej o Pythonie i jego projektach

Otóż ​​to. Dotarliśmy teraz do końca naszej listy projektów open-source w Pythonie. Mamy nadzieję, że ta lista projektów okazała się pomocna. Jeśli masz jakieś pytania lub myśli, którymi możesz się podzielić, możesz nas o tym powiadomić w sekcji komentarzy poniżej.

Możesz udać się na nasz blog i dowiedzieć się więcej o Pythonie oraz uzyskać więcej pomysłów na projekty. Oto kilka zasobów do dodatkowego czytania:

• 42 Pomysły i tematy dotyczące projektów w Pythonie
• Jak uruchomić projekt w Pythonie?
• Projekt bankowy w Pythonie (z kodem źródłowym)
• Projekty Pythona dla początkujących

Zapoznanie się z tymi projektami pomoże ci stać się lepszym programistą Pythona. W końcu bez tych narzędzi i bibliotek wykonywanie określonych zadań w Pythonie jest zadaniem herkulesowym.

Wniosek

Jeśli chcesz dowiedzieć się czegoś o Pythonie, sprawdź program Executive PG w dziedzinie Data Science IIIT-B i upGrad, który jest stworzony dla pracujących profesjonalistów i oferuje ponad 10 studiów przypadków i projektów, praktyczne warsztaty praktyczne, mentoring z ekspertami branżowymi, 1- on-1 z mentorami branżowymi, ponad 400 godzin nauki i pomocy w pracy z najlepszymi firmami.

Z drugiej strony możesz również uzyskać dedykowane i wszechstronne doświadczenie edukacyjne, zdobywając kurs Pythona. Kurs pozwoli Ci uczyć się od ekspertów branżowych poprzez filmy. Który projekt Pythona na Github podobał Ci się najbardziej? Powiadom nas!