Data Science Tutorials

Lerne Definition, Formel, zentrale Eigenschaften, homogene Koordinaten und Anwendungen affiner Transformationen in Grafik, Computer Vision, Robotik und Datenvorverarbeitung kennen.

Die F-Statistik prüft, ob ein Modell die Variation in den Daten besser erklärt als der Zufall. Dieser Leitfaden zeigt, was sie bedeutet, wie sie berechnet wird und wie du sie interpretierst.

In this tutorial to deep learning in R with RStudio's keras package, you'll learn how to build a Multi-Layer Perceptron (MLP).

Ein praxisnaher, mathematischer Blick auf Sattelpunkte – was sie von lokalen Minima und Maxima unterscheidet, wie du sie mit Gradienten und der Hesse-Matrix erkennst und warum sie in hochdimensionaler Optimierung und beim Training neuronaler Netze so oft auftreten.

Formale und anschauliche Definitionen linearer Funktionen. Lerne, sie in realen Szenarien zu erkennen.

Erfahre, wie Zustandsraummodelle dynamische Systeme mit verborgenen Zuständen und Beobachtungen abbilden – inklusive Zustands- und Beobachtungsgleichungen, Kalman-Filterung und Zeitreihenanwendungen.

Die t-Statistik hilft dir zu entscheiden, ob ein Unterschied in deinen Daten bedeutsam ist oder nur zufällig. Dieser Leitfaden erklärt, wie sie funktioniert, wie du sie berechnest und wie du sie in realen Testszenarien mit klaren Schritt-für-Schritt-Beispielen anwendest.

A Scikit-Learn tutorial to using logistic regression and random forest models to predict which baseball players will be voted into the Hall of Fame

Verstehe, warum du Daten zwischen Long- und Wide-Format transformierst, und lerne, wie das in R mit melt() und dcast() funktioniert!

Dieses Tutorial zeigt dir 5 Wege, wie du „pandorable“ bzw. idiomatischeren Pandas-Code schreibst.

Ein scikit-learn-Tutorial zur Vorhersage von MLB-Siegen pro Saison mit KMeans-Clustering und linearen Regressionsmodellen.

Lerne, wie du eine Tidy-Sentimentanalyse in R an Princes Songs durchführst: Sentiment über die Zeit, Song-Ebene, der Einfluss von Bigrammen und vieles mehr!