Alibaba2018

Как вариант можно использовать как след. дорожную карту программиста.

Удалось разрешить проблему через установку другого kernel'a
для Jupyter Notebook'a знакомым товарищем-программистом отсюда:

https://ipython.readthedocs.io/en/stable/install/k...
Kernels for different environments

Т.е. check файла проходит и tensorflow находится, но тем не менее все равно скорее всего проблема в .bash файлах осталась, т.к. те не адресуют правильные PATHs, но для работы пока пойдет.

1. Базовый курс по Питону (Если никогда в жизни вообще не программировали начинайте с Learn Python the Hard Way -> Python Crash Course by Eric Matthes -> Automate Everything -> John Zelle "Python Programming"
(обязательно(!) делать все упражнения - набивать руку, т.к. только материал будет действительно осваиваться)
(если же уже есть опыт в программировании: Allen Downey - Think Python, Diving into Python и Learning Python (Lutz))
1A: Обязательно нужно знать алгоритмы чтобы вообще понимать что такое более-менее профессиональное программирование: Самая лучшая и детальная книга по алгоритмам на Питоне имхо: "Data Structures and Algorithms in Python" by Michael T. Goodrich, Roberto Tamassia, Michael H. Goldwasser
1Б: на yotube есть канал Lucid Programming, где автор тоже показывает очень много алгоритмов на примерах
2. потом изучать хорошо матан(single variable calculus + multi variable calculus)/линал/статистику и probability: на уровне понимания концептов (можно учить по Khan Academy или Udemy, где я брал классы по Calculus от Krista King, мне понравилось как она обьясняет)
Есть неплохие видео от Imperial College of London по математике:
Mathematics for Machine Learning full Course || Linear Algebra || Part-1 https://youtu.be/T3TpdPmTLso
Mathematics for Machine Learning Full Course || Multivariate Calculus || Part -2 - https://youtu.be/m998PdOCFcY
3. Далее бесплатный курс по ML от Andrew Ng на YouTube и Courser'a - бесплатно
3.А Также очень детальный курс по математике от создателей DS для R: An Introduction to Statistical Learning - University of Southern California - доступна бесплатно - где вся подноготная математики показывается очень детально
4. Hands-on machine learning with scikit-learn and tensorflow - o'reilly - куча практики и теории
5. Python for Finance - O'Reilly - вообще у O'Reilly по Python очень неплохие книжки по питону и МО, где можно много чего увидеть in action
6. куча курсов за $10 на Udemy от Jose Portilla (в том числе R, SQL, Spark with Python, Spark with Scala, Computer Vision, NLP, Plotly, Algorithms, Python for Finance, Deep Learning: TensorFlow, Keras итд итд итп,) - если будте брать на udemy курсы и показывает больше чем $10, напишите коммент - дам промо код по кот. скидка 94% - код дается уже купившим его курсы)
7. очень крутой канал на YouTube у Siraj Raval по Data Science - куча примеров, видео, инфы итд итп (найдите там видео как выучить Data Science in 3 months, там тоже очень много ресурсов, но имхо за 3 месяца, как он говорит, нереально)
8. "data science from scratch by joel grus" старая книжка тоже от O'Reilly
на самом деле, я бы советовал начинать с неё, даже если нет вообще никакого опыта и вообще ничего не понятно, т.к. она дает весь план что нужно учить и как организовать себе весь процесс (и потом периодически к ней возвращаться, сверять с планом)
Также очень похожая есть книга Python for Data Analysis Book by Wes McKinney (создатель pandas), но чуть-чуть попроще, и я бы все равно советовал их вместе обе прочитать, т.к. эта намного больше концентрируется на data cleaning'e

Вообще, Data Science на самом деле очень не сложная дисциплина по сути, просто действительно нужно много знать для того чтобы там реально начать что то делать, т.е. большой порог для вступления, но сами алгоритмы очень и очень легкие и писать, и работать с ними итд итп. Более сложнее готовить дату, моделировать, как то пытаться к ней поступиться, чтобы начать работать, а сам процесс и код на питоне проще простого.

Ну и как Вам написали выше, как освоите всё вышесказанное (хахаха), welcome после этого всего на kaggle, чтобы начать уже делать это всё на практике;)

Представьте что у Вас есть 5 не прозрачных стаканов и только в одном из них муха, а мб её вообще в них нет, но Вам все равно нужно проверить это перед тем как из них пить или что либо дальше делать.

Так вот: что Вы делаете чтобы проверить?
Скорее всего Вы просто посмотрите сначала в первый, потом во второй, итд... пока либо не посмотрите в каждый из всех стаканов в наличии и не посчитаете сколько у Вас всего мух.

Точно также цикл for:
for loops are for iterating over a collection (like a list or tuple) or an iterator.

The standard syntax for a for loop is:

for value in collection:
# do something with value

A for loop can be advanced to the next iteration, skipping the remainder of the block,
using the continue keyword. Consider this code which sums up integers in a list and
skips None values:

sequence = [1, 2, None, 4, None, 5]
total = 0
for value in sequence:
if value is None:
continue
total += value

A for loop can be exited altogether using the break keyword. This code sums elements
of the list until a 5 is reached:

sequence = [1, 2, 0, 4, 6, 5, 2, 1]
total_until_5 = 0
for value in sequence:
if value == 5:
break
total_until_5 += value