mkcor

import numpy
import matplotlib.pyplot

data = numpy.loadtxt(fname='inflammation-01.csv', delimiter=',')

fig = matplotlib.pyplot.figure(figsize=(10.0, 3.0))

axes1 = fig.add_subplot(1, 3, 1)
axes2 = fig.add_subplot(1, 3, 2)
axes3 = fig.add_subplot(1, 3, 3)

mkcor

library(ggplot2)
library(shiny)

# Global variables can go here.
values <- runif(200)


# Define the UI.
ui <- fluidPage(
  radioButtons("n", "Approximate number of bins",

mkcor

import hashlib as hasher
import datetime as date


# Define what a Snakecoin block is
class Block:
    def __init__(self, index, timestamp, data, previous_hash):
        self.index = index
        self.timestamp = timestamp
        self.data = data

mkcor

The Mayoral Classification Challenge

• About page
• Blog post of that day
• fb-posts-ideology-heterogeneity
• tweets-ideology-heterogeneity
• gender-breakdown-mayor-tweet-counts

mkcor

Buongiorno,

Mi chiamo Marianne Corvellec. Faccio la consulente, formatrice e ricercatrice in ambito Data Science. Il mio progetto imprenditoriale consiste nello scalare questi servizi e nel trasmettere questa cultura. Ho accumulato molte riflessioni e sperimentazioni per quanto riguarda i data science workflows, ovvero la creazione della sequenza di operazioni (automatizzate in fine) che vanno dai dati grezzi a risultati per supportare processi decisionali. Per tante applicazioni industriali non servono i dati “grandi” e neppure gli algoritmi sofisticati o all’avanguardia. Invece, un workflow pulito e ben

mkcor

Lezione n. 19 [online]

Inizio [5 min]

• Saluto di squadra.
• Corsetta sul posto.
• Circonduzioni del braccio (en dehors, en dedans, dx, sx).
• Circonduzioni di tutte e due le braccia (en dehors, en dedans).

Riscaldamento "in centro" [40 min]

mkcor

Lezione n. 6

Inizio [1 min]

• Saluto di squadra.

Riscaldamento

In fila indiana [6 min]