Data Science Tutorials

Lerne, wie du mit Cofounder 2 aus einer groben Idee ein strukturiertes Unternehmen machst – mit Businessplan, Brand-Kit, Engineering-Aufgaben, Marketingkampagnen und Sales-Workflows durch spezialisierte KI-Agenten.

Erfahre, wie eine End-to-End-MLOps-Pipeline die WM 2026 prognostiziert – vom automatischen Retraining und DVC bis zur 10.000-laufenden Monte-Carlo-Simulation des Turnierbaums.

GGUF bündelt Modellgewichte, Tokenizer-Daten und Metadaten in einer einzigen portablen Datei. Erfahre, wie du den passenden Quantisierungsgrad wählst und mit Ollama startest.

Lerne, wie du die lokale Gemma 4 31B-Inferenz auf einer einzelnen RTX 4090 mit DFlash Speculative Decoding und Flash Attention im Vergleich zur Baseline beschleunigst.

Wie Random-Forest-Regression funktioniert, wo sie an Grenzen stößt und wie du sie bewertest, optimierst und interpretierst. Inklusive Python-Implementierung und Rahmen für Modellvergleiche.

Die Kerndichteschätzung ist eine nichtparametrische Methode, um die Form einer Datenverteilung ohne festes Modell zu schätzen. Lerne die Formel, die Bandbreitenwahl und die praktische Umsetzung in Python und R kennen.

Ein praxisnaher Leitfaden zu den Annahmen hinter der logistischen Regression, den Diagnosen für Verstöße in Python und R und den Alternativen, wenn die Annahmen nicht halten.

Ein Praxisleitfaden zur Spline-Regression: Wie stückweise Polynome und Knoten nichtlineare Zusammenhänge modellieren, die wichtigsten Spline-Typen und das Fitting in Python und R.

Ein praxisnaher Leitfaden zu GLMs – was sie sind, wie ihre drei Komponenten zusammenspielen und wie du sie in Python und R fitst und interpretierst.

Ein detaillierter Überblick über Overfitting und Underfitting im Machine Learning – inklusive Erkennung, Ursachen und Lösungen über den Bias-Variance-Trade-off.

Erfahre, was Zero-shot-Klassifikation ist, wie sie unter der Haube mit NLI-Modellen funktioniert, wie sie sich von Few-shot und Fine-tuning unterscheidet und wie du sie mit Hugging Face Transformers anwendest.

Gradient Clipping ist ein Ein-Zeilen-Fix im Training, der verhindert, dass explodierende Gradienten tiefe neuronale Netze ruinieren. Diese Anleitung erklärt das Prinzip, die zwei gängigen Methoden, die Wahl des Schwellwerts und die Umsetzung in PyTorch und TensorFlow.