Data Science Tutorials

Tauche ein in mehrschichtige Perceptrons. Entdecke die Geheimnisse von MLPs beim maschinellen Lernen für fortgeschrittene Mustererkennung, Klassifizierung und Vorhersage.

Die Berechnung des Variationskoeffizienten in Excel ist ganz einfach: Wir teilen STDEV.P durch AVERAGE.

Modelle des maschinellen Lernens sind leistungsstark, aber schwer zu interpretieren. Die SHAP-Werte können dir jedoch dabei helfen, zu verstehen, wie Modellmerkmale die Vorhersagen beeinflussen.

Entdecke in unserem umfassenden 6-Schritte-Tutorial, wie du mit Base R ein Histogramm erstellst. Passe deine Diagramme an und visualisiere Datenverteilungen effektiv.

Wir werden Llama 3 anhand eines Datensatzes von Patienten-Arzt-Gesprächen verfeinern und ein Modell entwickeln, das auf den medizinischen Dialog zugeschnitten ist. Nach dem Zusammenführen, Konvertieren und Quantisieren des Modells ist es bereit für die private lokale Nutzung über die Jan-Anwendung.

Bestimme mit t.test() in R, ob es einen signifikanten Unterschied zwischen den Mittelwerten der beiden Gruppen gibt.

Lerne etwas über Histogramme und wie du sie mit Hilfe von matplotlib nutzen kannst, um Erkenntnisse aus Daten zu gewinnen.

Lerne, wie du in SQL ganz einfach mehrere Spalten aus einer Datenbanktabelle auswählst oder alle Spalten einer Tabelle in einer einfachen Abfrage auswählst.

Das Importieren von Daten ist der erste Schritt in jedem Data Science-Projekt. Erfahre, warum die Datenwissenschaftler von heute die Funktion read_csv() von Pandas bevorzugen.

Erfahre, wie OpenAIs neue Funktionsaufrufe GPT-Modelle in die Lage versetzen, strukturierte JSON-Ausgaben zu generieren und damit häufige Entwicklungsprobleme zu lösen, die durch unregelmäßige Ausgaben verursacht werden.

In diesem Lernprogramm lernst du das Konzept der Objekterkennung in Python mit der OpenCV-Bibliothek kennen und erfährst, wie du sie für Aufgaben wie die Gesichtserkennung nutzen kannst.

Lerne generalisierte lineare Modelle (GLM) kennen und erfahre, wie sie sich von linearen Modellen unterscheiden.