Data Science Tutorials

Führe GLM-5, das führende Open-Weight-KI-Modell, mit llama.cpp auf einer einzelnen GPU aus und verbinde es mit Aider – für einen mächtigen lokalen Coding-Agenten.

Lerne die zentralen Bausteine des ARIMA-Modells kennen, baue und optimiere es für präzise Prognosen in Python und entdecke Anwendungsszenarien in verschiedenen Branchen.

Lerne, wie du Qwen3.6 auf einer H100 NVL GPU mit SFT feinabstimmst – von der Datensatzvorbereitung und 4‑Bit‑Ladung bis hin zu Training und Evaluation.

Lerne, wie du Claude Code Auto Mode mit Telegram-Channels kombinierst, um von deinem Handy aus einen autonomen Write-Test-Debug-Loop zu starten.

Lerne die Möglichkeiten von Anthropics leistungsstärkstem öffentlich verfügbaren Modell, Claude Opus 4.7, kennen und baue ein Data-Science-Tool, das ein Diagramm in Rohdaten verwandelt.

Lerne, wie du ein automatisiertes LLM-as-a-judge-System aufbaust, um deine RAG-Pipelines in großem Maßstab auf Faktentreue und Relevanz zu prüfen – und so die Lücke im KI-Testing schließt.

Entferne unnötige Leerzeichen — führend, nachgestellt und doppelt — für klare Daten. Dieser Guide behandelt TRIM(), SUBSTITUTE() und CLEAN() sowie praktische Tipps, damit Tabellen korrekt und leicht zu bearbeiten bleiben.

Beherrsche das Ollama Python SDK für die lokale LLM-Entwicklung. Lerne Text zu generieren, mehrstufige Chats zu führen, Vision-Modelle zu nutzen und sichere KI-Apps zu bauen.

In diesem Guide mieten wir eine H200-GPU, installieren llama.cpp, laden MiniMax M2.7 GGUF herunter, führen es lokal aus, testen es in der WebUI und verbinden es mit OpenCode.

Erfahre, was Claude Cowork ist und wie du es für Dateiorganisation, Dokumenterstellung und Browser-Automatisierung nutzt. Praxis-Tutorial mit echten Beispielen und Grenzen.

Erfahre, wie du LLMs mit LM Studio lokal installierst und ausführst. Behalte deine Daten für dich, chatte dank integriertem RAG mit Dokumenten und richte eine lokale API ein.

Meistere OpenAIs Codex CLI zur Automatisierung von Daten-Workflows. Lerne, EDA durchzuführen, Python-ETL-Pipelines zu bauen und Tests direkt im lokalen Terminal zu generieren.