Tutoriales de Ciencia de Datos

Explora cómo la distancia euclidiana tiende puentes entre la geometría antigua y los algoritmos modernos, con ejemplos de codificación en Python y R, y conoce sus aplicaciones en la ciencia de datos, el aprendizaje automático y el análisis espacial.

Los vectores y valores propios son esenciales para comprender las transformaciones lineales. Este artículo trata de su interpretación geométrica, cálculo matemático e importancia en el aprendizaje automático.

Descubre cómo interpretar la r-cuadrado ajustada para evaluar el rendimiento del modelo de regresión. Compara la diferencia entre r-cuadrado y r-cuadrado ajustado con ejemplos en R y Python.

Descubre el significado de la distribución de Gauss, su relación con el teorema del límite central y sus aplicaciones reales en el aprendizaje automático y la comprobación de hipótesis.

Aprende cómo la curva AUC-ROC evalúa los modelos de clasificación binaria, centrándose en el rendimiento a través de umbrales, especialmente en conjuntos de datos desequilibrados. Utiliza las bibliotecas de Python para calcular los valores AUC y comparar clasificadores en un solo flujo de trabajo.

Descubre cómo utilizar la prueba ANOVA para comparar las medias de varios grupos con ejemplos claros, aplicaciones reales y consejos prácticos para el análisis de datos.

Una media winsorizada reduce la influencia de los valores atípicos al limitar los valores extremos a percentiles específicos, preservando la estructura general del conjunto de datos. Sigue leyendo para aprender a calcular la media winsorizada utilizando Python para practicar.

La distribución de Poisson modela la probabilidad de que se produzca un determinado número de sucesos en un intervalo fijo. Mira cómo se aplica en escenarios del mundo real, como la teoría de colas y la modelización del tráfico.

Utiliza color_palette() para una separación categórica clara, cubehelix_palette() para datos secuenciales graduales, y diverging_palette() para una divergencia clara respecto a un punto medio.

Aprende a calcular la suma total de cuadrados (SST), la suma de cuadrados de regresión (SSR) y la suma de cuadrados de error (SSE) para evaluar la precisión del modelo de regresión. Descubre sus relaciones matemáticas y cómo influyen en la R-cuadrado.

Aprende a acceder a los modelos ligeros y de visión de Llama 3.2 en Kaggle, a ajustar el modelo en un conjunto de datos personalizado utilizando GPUs P100 gratuitas y, a continuación, a fusionar y exportar el modelo al Hugging Face Hub.

Aprende a utilizar el Pixtral 12B de Mistral interactivamente a través de Le Chat o programáticamente mediante la API disponible en La Plateforme.