Data Science Tutorials

Dieser Artikel zeigt, warum Preprocessing in der Machine-Learning-Pipeline so wichtig ist – anhand davon, wie Zentrierung und Skalierung die Modellleistung verbessern können.

Finde heraus, ob Zentrieren und Skalieren deinem Modell im Kontext der logistischen Regression helfen.

Du kannst deine Daten bis ins Detail vorbereiten – entscheidend ist die Praxisprobe: Wie gut performt dein Modell?

In diesem Tutorial lernst du die in der ML-Literatur gängigen Wahrscheinlichkeitsverteilungen kennen und setzt sie in Python um.

Prompt Chaining ist eine Technik, bei der eine komplexe Aufgabe in eine Reihe kleiner, miteinander verknüpfter Prompts zerlegt wird. Die Ausgabe eines Prompts dient als Eingabe für den nächsten und führt das LLM durch einen strukturierten Denkprozess.

Prompt-Kompression bedeutet, die Länge eines Eingabeprompts zu verringern und gleichzeitig die wesentlichen Informationen zu bewahren, damit ein Sprachmodell die Anfrage versteht und eine passende Antwort generiert.

Entdecke die Stärken von Prompt Engineering in LangChain – eine Schlüsseltechnik, um präzise und relevante Antworten aus KI-Modellen zu erhalten.

Baue verlässliche KI-Apps schneller, indem du spontane Prompt-Checks in strukturierte LLM-Evaluierungen mit Promptfoo verwandelst – von lokalen Testsuiten bis zur automatisierten CI.

In diesem Tutorial lernst du den Unterschied zwischen Python Property und Getter & Setter kennen.

In PySpark kannst du eine oder mehrere Spalten aus einem DataFrame entfernen: mit .drop("column_name") für eine einzelne Spalte oder .drop(["column1", "column2", ...]) für mehrere Spalten.

Entdecke PySparks groupBy-Methode, mit der Datenprofis Aggregatfunktionen auf ihren Daten ausführen. Das ist ein starker Weg, um große Datensätze schnell zu partitionieren und zusammenzufassen – dank Sparks leistungsfähiger Techniken.

Lerne, wie du mit Pythons abs-Funktion den Betrag einer Zahl bestimmst – unabhängig vom Vorzeichen. Diese Anleitung zeigt, wie du Absolutwerte für reelle und komplexe Zahlen findest und weist auf häufige Fehler hin.