Data Science Tutorials

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.

In diesem Lernprogramm lernst du, wie du den Chi-Quadrat-Test in Tabellenkalkulationen durchführst.

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.

Erkunde die Kreuzentropie beim maschinellen Lernen in unserem Leitfaden zur Optimierung der Modellgenauigkeit und Effektivität bei der Klassifizierung mit TensorFlow- und PyTorch-Beispielen.

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

In diesem kurzen Tutorial lernst du, wie du in Python Zeichenketten in Ganzzahlen umwandelst.

In diesem Tutorial lernst du, wie der Unterstrich(_) in Python verwendet wird.

Lerne, wie du Llama-2 auf Colab mit neuen Techniken verfeinern kannst, um Speicher- und Rechenbeschränkungen zu überwinden und große Open-Source-Sprachmodelle leichter zugänglich zu machen.

Erforsche verschiedene Arten von Datendiagrammen - von den gängigsten bis hin zu fortgeschrittenen und unkonventionellen -, was sie zeigen, wann man sie verwenden und wann man sie vermeiden sollte, und wie man sie in Python erstellt und anpasst.

Lerne, wie du mit .str.lower() eine Tabellenspalte in Kleinbuchstaben umwandelst.

In diesem Artikel erfährst du, wie und wann du die k-nearest neighbors-Klassifikation mit scikit-learn verwenden kannst. Der Schwerpunkt liegt auf Konzepten, Arbeitsabläufen und Beispielen. Wir behandeln auch die Abstandsmetriken und wie man den besten Wert für k mithilfe einer Kreuzvalidierung auswählt.