# Przydatne linki

## Książki
* [Data Science Handbook](https://jakevdp.github.io/PythonDataScienceHandbook/) — darmowa, ogólnie dostępna; `numpy`, `pandas`, `matplotlib`, `scikit-learn`;
* [Hands on Machine learning](https://learning.oreilly.com/library/view/hands-on-machine-learning/9781492032632/) — niedarmowa, ale dostępna przez O'Reilly, do którego dostęp możecie załatwić sobie poprzez Pwr;
* [Elements of Statistical Learning](https://hastie.su.domains/ElemStatLearn/) — algorytmy, dość formalne podjeście;
* [Introduction to Statistical Learning](https://hastie.su.domains/ISLR2/ISLRv2_website.pdf) — to co wyżej, ale prościej zapodane.

<br>

## Git
* [Pro Git](https://git-scm.com/book/en/v2) &mdash; czyli absolutnie wszystko (albo prawie) o Git-cie, jest też skrócony [tutorial](https://git-scm.com/docs/gittutorial), wytłumaczenie czym jest [system kontroli wersji](https://git-scm.com/book/en/v2/Getting-Started-About-Version-Control) i sam [Git](https://git-scm.com/book/en/v2/Getting-Started-What-is-Git%3F).
* [Na szybko](https://rogerdudler.github.io/git-guide/) &mdash; w pigułce podane wszystkie najczęściej wykorzystywane komendy.

<br>

## Numpy
* [Wykłady Johanssona](https://github.com/jrjohansson/scientific-python-lectures) &mdash; w miarę dokładne wyłożenie jak działa biblioteka `numpy` (są też notebooki zawierające wykłady z innych dziedzin);
* [dokumentacja](https://numpy.org/doc/stable/).

<br>

## Pandas
* [Dokumentacja](https://pandas.pydata.org/docs/);
* [Kurs z Kaggle'a 1](https://www.kaggle.com/learn/pandas) i [2](https://www.kaggle.com/learn/data-cleaning);
* [kurs z Youtube](https://www.youtube.com/watch?v=S0RPvghGmlQ&list=PLgJhDSE2ZLxaENZWWF_VOUa5886KiUd15);
* [Ćwiczonka z pandasa](https://github.com/guipsamora/pandas_exercises)

<br>

## Scikit-learn
* [Oficjalna dokumentacja](https://scikit-learn.org/stable/) &mdash; a w niej i opisy algorytmów, dużo fragmentów kodów.

<br>

## Inne

* kurs Andrew Ng &mdash; [Youtube](http://cs229.stanford.edu/syllabus-fall2020.html?fbclid=IwAR314FVmXKwDkmALFjqgUswwr3u0T_QHLWVcD9iX-9j2hqIgAktKerzrFxQ) i [stronka z materiałami do kursu](http://cs229.stanford.edu/syllabus-fall2020.html?fbclid=IwAR314FVmXKwDkmALFjqgUswwr3u0T_QHLWVcD9iX-9j2hqIgAktKerzrFxQ);
* [kurs](https://course.fast.ai/Lessons/lesson1.html) z fast.ai dotyczący deep learningu, każdy rozdział odsyła do notebooka na kaggle'u, które można sobie odpalić.

<br>

## Lokowanie produktu

* [Data is Yours](https://drive.google.com/drive/folders/176921F_NrkinBArAZ7n_RmoOa2usYG26?usp=sharing) &mdash; cykl 9 spotkań, prowadzony od podstaw data science (wymagana wstępna znajomość Pythona)
* [Warsztaty z zeszłego roku](https://drive.google.com/drive/folders/1kO_tU2y0e4Oz4CzQ5Xppdkz6I_8b4Wo4?usp=sharing) &mdash; scikit-learn, deep learning z keras, Git, scrapowanie danych, baza MongoDB i wiele innych.