Data Science Tutorials

Lerne, wie du Excel-Dateien in Python liest und importierst, Daten in diese Tabellen schreibst und die besten Pakete dafür findest.

Lerne, dich in der Landschaft der gängigen Aktivierungsfunktionen zurechtzufinden - von der unerschütterlichen ReLU bis zu den probabilistischen Fähigkeiten der Softmax.

Entdecke alles über die logistische Regression: wie sie sich von der linearen Regression unterscheidet, wie man diese Modelle in R mit der Funktion glm() anpasst und auswertet und vieles mehr!

Wie man einen Datenrahmen in R sortiert.

Schau dir diese fünf einfachen Schritte an, um das volle Potenzial von ChatGPT mit deinen eigenen GPTs zu erschließen.

Entdecke das Python-Pickle-Modul: Lerne etwas über Serialisierung, wann man es (nicht) verwenden sollte, wie man gepickelte Objekte komprimiert, Multiprocessing und vieles mehr!

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

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.

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

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

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

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.