Сделать лабораторные работы на python в Jupiter Notebook. Data science

В общем, есть лабораторные работы, некоторые уже сделаны другими студентами, так что могу предоставить их код, для примера. Их код вроде как работает и уже зачтен. Результатом работы программы должны быть построенные графики и картинки, подробнее все покажу, есть на гите. Что нужно от исполнителя. Нужно как-то запустить код, который можно взять с гита, немного его видоизменив, скомпилировать и прислать мне фото графиков и картинок. В общем все результаты компиляции+код. Работа вроде не тяжелая. Кого заинтересует-смогу подогнать еще клиентов. Главное условие, чтобы код хоть немного отличался и работал) 

И еще, лабы на тему Дата сайнс моделирование. Как пример приведу задание ниже (оно уже выполнено другими если что)

Сформировать тестовую выборку изображений из исходного пакета;

Для каждого канала цвета каждого изображения с тестового пакета вычислить следующие характеристики: a. Математическое ожидание и дисперсию; b. Коэффициенты асимметрии и эксцесса (нормализованный)

Построить векторы параметров изображений, состоят из: a. Математических ожиданий значений яркости для каждого канала цвета b. Математических ожиданий и дисперсии значений яркости для каждого канала цвета c. Математических ожиданий, дисперсии и коэффициента асимметрии значений яркости для каждого канала цвета d. Математических ожиданий, дисперсии, коэффициентов асимметрии и эксцесса значений яркости для каждого канала цвета

Построить гауссовские модели изображений с использованием рассчитанных ранее параметров.

Провести декомпозицию каждого канала цвета каждого изображения с применением метода главных компонент (PCA): a. Варьируя количество компонент, провести реконструкцию отдельных каналов цвета изображений (от компонент с наибольшей энергией постепенно переходя к компонентам с минимальной энергией). b. Построить зависимость ошибки восстановления (среднее отклонение выходного изображения отреконструированного, MSE) от количества использованных компонентов.

Провести моделирование отдельных каналов цвета изображений с использованием марковских цепей: a. Для каждого канала цвета каждого изображения рассчитать стохастическую матрицу марковской цепи первого и второго порядков (обработка пикселей по горизонтали справа налево и наоборот, а также по вертикали сверху вниз и наоборот). В отчете привести явный вид одной марковской цепи для одного из каналов цвета тестового изображения b. Проверить свойство регулярности, реккурентное и необратимости (irreducible) для полученных марковских моделей для 5 итераций.