Data Science Tutorials

Lerne, wie Self-RAG das klassische RAG durch integriertes iteratives Denken und Selbstbewertung verbessert und wie du es Schritt für Schritt mit LangGraph umsetzen kannst.

Lerne, wie du mit Snowflake Cortex AI einen Chatbot entwickelst. Schritt-für-Schritt-Anleitung zum Vorbereiten von Daten, zum Benutzen von Cortex Search und zum Bereitstellen mit Streamlit.

Lerne, was LiteLLM ist und wie du es für einheitliche API-Aufrufe an verschiedene LLM-Anbieter nutzen kannst, einschließlich grundlegender API-Nutzung, Fehlerbehandlung, Fallbacks, Streaming, strukturierten Ausgaben und Kostenverfolgung.

Lerne, wie du eine Streamlit-App baust, um Qwen3-Next-80B-A3B und andere Qwen-Modelle direkt zu vergleichen, wobei du dich auf echte Leistungsdaten konzentrierst.

Lerne, was dbt-Makros sind, was sie machen und wie man sie in dbt-Modellen definiert und aufruft.

Lerne, was Datenmodelle in DBMS sind, welche Arten es gibt, wie sie aufgebaut sind und wie man sie entwickelt. Enthält PostgreSQL-Beispiele, ER-Diagramme und Optimierungstipps.

Schau dir an, wie Azure Database for MySQL – Flexible Server moderne Daten-Workflows mit einer fortschrittlichen Architektur, Kostenoptimierung und nahtloser Azure-Integration unterstützt.

Schritt-für-Schritt-Anleitung zum Einsatz eines produktionsreifen Mosquitto MQTT-Brokers mit Docker-Containern. Beinhaltet Authentifizierung, TLS-Verschlüsselung, Persistenzkonfiguration und Integration mit Home Assistant.

Eine kurze Anleitung, wie du Git unter Windows über die GUI und die CLI installierst.

Lerne in diesem Vergleichsleitfaden die Unterschiede zwischen Git Fetch und Git Pull kennen.

Lerne die mathematischen Grundlagen kennen, entdecke verschiedene Arten und ihre Anwendungen und finde heraus, wie der Standardfehler die statistische Inferenz und Entscheidungsfindung verbessert.

Feed-Forward-Neuralnetzwerke (FFNNs) sind die Basis für Deep Learning und werden in der Bilderkennung, in Transformatoren und in Empfehlungssystemen genutzt. Dieses komplette FFNN-Tutorial erklärt ihre Architektur, die Unterschiede zu MLPs, Aktivierungen, Backpropagation, Beispiele aus der Praxis und die PyTorch-Implementierung.