dmshar

Надо написать такую нейросеть. Теоретически - не так уж трудно. И соответственно ее обучить. Эта задача в принципе мало чем отличается от задачи распознавания лиц, но думаю, что даже проще.

"задать правильные параметры" можно понимая, какую функцию вы собрались использовать? Так какую?
Только это слабо коррелирует с вопросом - "Как создать линейную регрессию". Ну а уж
как "создать матрицу по формуле?" наталкивает на мысль, что вы слабо понимаете, о чем пишете - уж больно случайный набор слов у вас в вопросе.

Не очень понятно, в чем проблема:
Если словарь надо именно "отсортировать", т.е. сделать так, что-бы он следовал общепринятому порядку сортировки то:

d={(0, 0, 255): ((0, 0, 5), (0, 0, 5), (0, 0, 23), (0, 0, 23)), 
 (255, 0, 0): ((0, 0, 10), (0, 0, 10), (0, 0, 21), (0, 0, 21)), 
 (0, 255, 0): ((0, 0, 15), (0, 0, 15), (0, 0, 21), (0, 0, 21)), 
 (255, 255, 0): ((0, 0, 20), (0, 0, 20), (0, 0, 21), (0, 0, 21)), 
 (0, 255, 255): ((0, 0, 24), (0, 0, 24), (0, 0, 21), (0, 0, 21))}

d1=dict(sorted(d.items()))
d1

Out[99]:
{(0, 0, 255): ((0, 0, 5), (0, 0, 5), (0, 0, 23), (0, 0, 23)),
(0, 255, 0): ((0, 0, 15), (0, 0, 15), (0, 0, 21), (0, 0, 21)),
(0, 255, 255): ((0, 0, 24), (0, 0, 24), (0, 0, 21), (0, 0, 21)),
(255, 0, 0): ((0, 0, 10), (0, 0, 10), (0, 0, 21), (0, 0, 21)),
(255, 255, 0): ((0, 0, 20), (0, 0, 20), (0, 0, 21), (0, 0, 21))}

Если же у вас есть какой-то специфический "правильный порядок", и он вам известен, то просто берете поэлементно ключи из списка "правильного порядка" и ищете соответствующий элемент из начального списка. Без всяких библиотек, простейший цикл.

Что то вы запутали. Есть точка по оси Х. Она делит площадь под кривой плотности распределения на две части. Площадь под кривой справа от Х равна - например - 0.05. Площадь под кривой слева от Х тогда равна 0.95. Но это если положение Х хорошо подобрать. Т.е. надо понимать, всегда есть точка и есть доля площади, отсекаемая ею.(Часто говорят просто "площадь под кривой", потому как суммарная площадь под кривой плотности распределения всегда равна 1).
Если у вас есть произвольная точка на Х то площадь справа от нее (если мы говорим об односторонней гипотезе) и есть ee (точки) p_value. Для двухсторонней гипотезы надо рассматривать p_value, разделенные на два фрагмента - один "далеко справа", другой "далеко слева". Это если на пальцах объяснять, но суть понятна.
Все просто.

А можно как нибудь изложить вопрос с сохранением общепринятой логики?

Anaconda не Python - во первых, да, это разные змеи. Во-воторых это совсем не сопоставимые программные инструменты. Python это интерпретатор, Anaconda - это сборка, в которую, в частности, как один из компонент входит Python Их сравнивать - все равно, что сравнивать автомобиль с колесом.

Установил Anaconda, получил то что *.py файлы открываются Anaconda. Сия фраза вообще загадочная. Сама Anaconda вообще ничего не открывает. Возможно вы имели ввиду, что *.py открываются через Anaconda-Prompt? Ну, отлично, так и должно быть. В чем вопрос?

Что такое "requests из Anaconda"?? Откуда не получает данные? Как вы эти данные туда посылаете? Как вообще вы запускаете свой "requests из Anaconda"?

До этого думал, что они эквивалентны. Кто они?? requests-ы? Какие?

Из всего этого могу предположить, что запуская *.py из командной строки операционки вы чего-то там не получаете? Или он просто не запускается? В любом случае - найстройте сначала корректно всю среду запуска. Заочно за вас это никто не сделает.
Как это сделать - описано в документации Anaconda

Так

d='2020-11-13 10:55:09' 
date=pd.to_datetime(d).date()
print(date)

Результат:
2020-11-13
Или так:

d='2020-11-13 10:55:09' 
date=pd.to_datetime(d).strftime('%d.%m.%Y')
print(date)

Результат
13.11.2020

"Принимать" значение чего бы то ни было - с помощью оператора input().
А вот что вы имели ввиду под загадочным словосочетанием "И определить значение x и у" - это большая загадка.

Возможно все. Вопрос - хватит ли у вас знаний, если вы не можете самостоятельно найти ответ на базовый вопрос.
Таких примеров по сети гуляет много. На kaggle были соответствующие соревнования:
https://www.kaggle.com/elikplim/forest-fires-data-set
Один из примеров решения задач с помощью нейросетей и OpenCV.
https://towardsdatascience.com/early-fire-detectio...
Вот еще пару вариантов:
https://link.springer.com/chapter/10.1007/978-3-03...
https://journals.sagepub.com/doi/full/10.1177/1748...
https://github.com/Skar0/fire-detection
https://www.mdpi.com/2072-4292/11/14/1702/htm
Вот - без нейронки:
https://www.hindawi.com/journals/mpe/2018/7612487/
Ну и далее - по ccылкам самостоятельно. Будут конкретные вопросы - задавайте.

А что вы хотите?
Курс у вас по дням, а график хотите по месяцам.
Тут надо уже решать - либо график выводить как есть, т.е. по дням. Либо значения преобразовывать - например - к среднему курсу за месяц и выводить эти данные.
Определяйтесь.

Ничего не понял из вопроса, но "победитель" по последней приведенной таблице находиться просто - группируем по "winner" и считаем сумму "electors" в группе. Потом выбираем ту группу (того кандидата) у кого эта сумма максимальна.

Если это не ответ на ваш вопрос - уточняйте , переформулируйте и задавайте конкретный вопрос так, ,что-бы можно было понять, что именно вам не понятно.

А почему только математику для нейронных сетей? А что программирование не надо?
А почему только для нейронных сетей? Нейронные сети это один из разделов машинного обучения. Да, самый модный, но всего лишь один из. (Пока освоите "математику" все может измениться и круто).
Это как школьники спрашивают - какой язык надо учить, что-бы стать мобильным разработчиком. Не понимая, что профессии "разработчик мобильных приложений" нет. Есть профессия "программист-разработчик". Так и с нейросетями.
Вон люди десятками считают навыки, которыми должен обладать желающий стать специалистом по машинному обучению
И математика там пусть самый главный, но один из необходимых скилзов.
А вот roadmap только по
статистике, которая понадобиться
А вобщем - The Roadmap of Mathematics for Deep Learning
И это только из самого последнего. Если немного напрячься - можно много чего полезного найти на такие простейшие вопросы. Например какую математику должны знать специалисты по машинному обучению после окончания приличного университета.

В любом случае советую начать с освоения склизов по самостоятельному гуглению на ответов вопросы, которые задаются по десятку в месяц даже на этом сайте. Без этого в машинном обучении делать практически нечего.

Мое мнение - нет, не стоит.
Вы же не для галочки эти книги читаете и не для того, что-бы фактом чтения похвастаться перед кем-то. Книги читают (а правильнее - изучают), что-бы освоить что-то новое. Что-бы освоить что-то новое необходим прочный фундамент ранее изученного. Никакое чтение никакой книги такого "закрепления информации а мозгу" на дает.
Поэтому:
После изучения Лутца приступаем к практической работе на Python, набираемся опыта, и может быть через годик-другой переходим (дозреваем!) к "Вершинам мастерства".

Пользуюсь feedly.com. Есть возможность самому отобрать источники, с которых будут приходить уведомления о новых материалах. Но не для учебы, разумеется (сужу по тегу).
medium - на 100 шлака две-три стоящие статьи. И вообще, учиться по блогам - плохая идея.

Такие книги не читают. Такие книги изучают. Это разные вещи. Тем более, если азы вы уже "читали". Изучать - это может быть сидеть над страницей несколько часов, пытаясь понять, что там написано, а может быть пролистывая по 60 страниц в час. Главное - не запомнить что там написано, а понять суть и дух языка.

Если у вас есть два объекта, один - [id, username,address], второй - {id, username и phone_number] и вам надо получить новый объект, состоящий из элементов гарантированно присутствующих в обоих входных объектов, то делается это с помощью пересечения. Чуть сложнее, но тоже в полтора действия находятся элементы, присутствующие только в одном из двух объектов. А дальше - делайте с этими полученными множествами что хотите, хоть схему генерируйте, хоть запросы.

А что собственно, неясно? Нулевая гипотеза для средних всегда принимается как гипотеза РАВЕНСТВА средних, которую надо опровергнуть (отклонить). Или "не отклонить". Альтернативная гипотеза действительно, как правило относится к той теории, которую собираются исследовать - в вашем случае, что тарифы влияют на выручку. Именно так работают все критерии и именно это (вероятность того, что мы ошибемся, приняв альтернативную гипотезу - в вашем случае, мы скажем что тариф влияет на выручку, хотя на самом деле это не так) и показывает значение p-value. Простым языком, "большое" его значение, говорит, что при отклонении нулевой гипотезы мы скорее всего ошибемся, а малое - что мы может быть и ошибемся, но вероятность такой ошибки крайне мала.
У вас же все наоборот. Вот и результат получаете такой, который невозможно нормально проинтерпретировать.
P.S. И да, увеличьте точность представления десятичных чисел, иначе вы вообще ничего никогда не увидите.