Tutoriels sur la science des données

Utilisez les tests t lorsqu'il s'agit de petits échantillons ou d'une variance inconnue, et les tests Z lorsque les échantillons sont grands et que la variance est connue.

Cet article explique ce que sont les ordinateurs portables et pourquoi vous devriez les utiliser. Nous nous penchons également sur les carnets de notes hébergés, qui facilitent le partage et la collaboration. Cet article présente également des conseils, des astuces et des raccourcis clavier.

Apprenez les principes de base des MLOps ainsi que le développement et le déploiement de bout en bout des pipelines de ML.

Un guide détaillé sur la prévision des séries temporelles. Apprenez à utiliser Python et les frameworks qui l'accompagnent. Renseignez-vous sur la modélisation statistique.

Dans ce tutoriel, vous apprendrez à extraire des données du web, à manipuler et nettoyer des données à l'aide de la bibliothèque Pandas de Python, et à visualiser des données à l'aide de la bibliothèque Matplotlib de Python.

Découvrez comment utiliser le test ANOVA pour comparer les moyennes de plusieurs groupes à l'aide d'exemples clairs, d'applications réelles et de conseils pratiques pour l'analyse des données.

Découvrez comment les scores de propension permettent de minimiser les confusions dans la recherche observationnelle, avec des applications détaillées dans des études du monde réel.

Découvrez la signification de la cardinalité et son impact sur le traitement des données, l'analyse et l'apprentissage automatique. Découvrez des stratégies et des techniques pratiques pour gérer une cardinalité élevée, du prétraitement des données aux outils d'optimisation avancés.

Explorez les principes fondamentaux de l'eigendecomposition et ses applications dans la science des données et l'apprentissage automatique.

Gagnez en confiance dans la régression par les MCO en maîtrisant ses fondements théoriques. Découvrez comment réaliser des mises en œuvre simples dans Excel, R et Python.

Apprenez à gérer les threads et les processus avec le module multiprocessus de Python. Découvrez les techniques clés de la programmation parallèle. Améliorez l'efficacité de votre code grâce à des exemples.

Découvrez comment accéder aux données de votre DataFrame à l'aide du subsetting. Apprenez à faire des sous-ensembles en utilisant des parenthèses ou en utilisant la fonction subset() de R.