Data Science Tutorials

Lerne, wie du ein Top-Open-Source-Modell lokal mit llama.cpp laufen lässt, es mit der Kimi-CLI verbindest und mit Vibe-Coding im Handumdrehen ein interaktives Spiel erstellst.

Lerne, wie du in Excel abhängige Dropdown-Listen mit benannten Bereichen und dynamischen Arrays erstellst, häufige Probleme behebst, bewährte Methoden anwendest und fehlerfreie Listen erstellst.

Führ GLM 4.7 Flash lokal (RTX 3090) mit Claude Code und Ollama in wenigen Minuten aus – keine Cloud, keine Bindung, nur pure Geschwindigkeit und Kontrolle.

Lerne, wie du die lokale FLUX.2 Klein 4B-Generierung mit API-basierter Bildbearbeitung, Multi-Referenz-Konditionierung und Sitzungsverlauf kombinieren kannst, um mit Gradio einen Bildeditor zu erstellen.

Lerne, wie du mit der Grok Imagine API Videos erstellen kannst. Dieser Python-Leitfaden deckt alles ab, von Bildanimationen bis hin zur Videobearbeitung mit dem neuen xAI-Videomodell.

Docker Scout checkt Container-Images auf Schwachstellen und erstellt Software-Stücklisten. Du bekommst integrierte Sicherheitstransparenz für Docker-basierte Entwicklungsabläufe – ganz ohne extra Tools oder komplizierte Einstellungen.

Lerne, wie du in Excel Kontrollkästchen für interaktive To-do-Listen, Tracker und Dashboards hinzufügst. Dieser Leitfaden behandelt native und ältere Methoden, Formeln und bedingte Formatierungen.

Lerne, wie du Pyright für die statische Typprüfung in Python installierst und benutzt. Dieser Leitfaden behandelt die Konfiguration, die IDE-Integration, die Fehlerbehebung und wann man Pyright anstelle von Mypy wählen sollte.

Lerne, wie man Wahrscheinlichkeiten für mehrere Ereignisse berechnet, zwischen UND- und ODER-Szenarien unterscheidet und diese Konzepte auf echte Datenanalyseprobleme anwendet.

Versteh, was 1:n-Beziehungen sind, wie sie Tabellen über Schlüssel verbinden und warum sie für ein klares, zuverlässiges relationales Datenbankdesign wichtig sind.

Lerne, was Moonshots Kimi K2.5 ist, wie Agent Swarm funktioniert, und schau dir das Ganze in vier praktischen Experimenten aus der echten Welt an.

Schluss mit verschwindenden Gradienten und verzerrten Modellen. Lerne, wie du Daten mit Min-Max und Z-Score in Scikit-learn normalisieren kannst, um Machine-Learning-Modelle zu verbessern.