Data Science Tutorials

Lerne, wie du Jenkins unter Windows installierst, Jenkins-Agenten und -Pipelines einrichtest und ausführst und MLOps-Projekte mit Jenkins-Pipelines vom Modelltraining bis zum Model-Serving aufbaust.

Entdecke den Mean-Shift-Clustering-Algorithmus, seine Vorteile, reale Anwendungen und die schrittweise Implementierung in Python. Vergleiche es mit K-means, um die wichtigsten Unterschiede zu verstehen.

Lerne die einfache lineare Regression. Beherrsche die Modellgleichung, verstehe die wichtigsten Annahmen und Diagnosen und lerne, wie du die Ergebnisse effektiv interpretieren kannst.

Verwende color_palette() für eine klare kategoriale Trennung, cubehelix_palette() für graduell aufeinanderfolgende Daten und diverging_palette() für eine klare Abweichung von einem Mittelpunkt.

Erfahre anhand von Programmierbeispielen in Python und R, wie der euklidische Abstand eine Brücke zwischen alter Geometrie und modernen Algorithmen schlägt, und lerne seine Anwendungen in den Bereichen Data Science, maschinelles Lernen und räumliche Analyse kennen.

Eine transitive Abhängigkeit liegt vor, wenn ein Attribut in einer Datenbank über ein drittes Attribut indirekt von einem anderen abhängt, was zu Redundanzen führt. Lies weiter, um zu erfahren, wie du transitive Abhängigkeiten im Datenbankdesign identifizieren und beseitigen kannst.

Lerne, wie du die Standardabweichung der Stichprobe berechnest und ihre Bedeutung für die statistische Analyse verstehst. Erkunde Beispiele und Best Practices für die Interpretation von Daten aus der Praxis.

Lerne, wie du die Gesamtquadratsumme (SST), die Regressionsquadratsumme (SSR) und die Fehlerquadratsumme (SSE) berechnest, um die Genauigkeit des Regressionsmodells zu bewerten. Entdecke ihre mathematischen Beziehungen und wie sie das R-Quadrat beeinflussen.

Entdecke, wie du mit dem ANOVA-Test die Mittelwerte mehrerer Gruppen vergleichen kannst, mit anschaulichen Beispielen, realen Anwendungen und praktischen Tipps zur Datenanalyse.

Ein winsorisierter Mittelwert reduziert den Einfluss von Ausreißern, indem er die Extremwerte auf bestimmte Perzentile begrenzt und so die Gesamtstruktur des Datensatzes bewahrt. Lies weiter, um zu erfahren, wie du mit Python den winsorisierten Mittelwert berechnest, um praktische Erfahrungen zu sammeln.

Lerne, wie die AUC-ROC-Kurve binäre Klassifizierungsmodelle bewertet, wobei der Schwerpunkt auf der Leistung über Schwellenwerte hinweg liegt, insbesondere bei unausgewogenen Datensätzen. Nutze die Python-Bibliotheken, um AUC-Werte zu berechnen und Klassifikatoren in einem Arbeitsgang zu vergleichen.

Entdecke GitHub Codespaces, die Entwicklungsumgebung, mit der du deinen Code überall schreiben, ausführen und bereitstellen kannst.