Nos tutoriels en science des données

Améliorez vos visualisations avec les cartes de couleurs de Matplotlib. Apprenez à choisir la bonne carte des couleurs, à ajuster les classes de couleurs et à résoudre les problèmes de visualisation les plus courants.

Découvrez Snowflake Cortex AI et comment il peut être utilisé pour les LLM et l'apprentissage automatique.

Apprenez à mettre à jour plusieurs colonnes en SQL à l'aide d'une seule requête pour plus d'efficacité. Explorez des techniques avancées et des exemples pratiques, notamment les mises à jour sur une seule ligne et les mises à jour sur plusieurs lignes.

Utilisez LIKE pour filtrer les enregistrements SQL sur des chaînes de caractères spécifiques. Ce tutoriel vous apprend à utiliser les caractères génériques, NOT, LOWER, UPPER et CASE WHEN avec LIKE.

Découvrez comment importer des données dans R, y compris des fichiers CSV, JSON, Excel, HTML, des bases de données, SAS, SPSS, Matlab et d'autres fichiers à l'aide des packages R les plus courants.

Ce tutoriel vous présentera le concept de détection d'objets en Python à l'aide de la bibliothèque OpenCV et vous expliquera comment l'utiliser pour effectuer des tâches telles que la détection de visages.

Exploitez la puissance de SQL CONTAINS pour des recherches de texte avancées. Découvrez les opérateurs logiques, les recherches de proximité et l'utilisation de caractères génériques pour une analyse précise des données.

Les modèles d'apprentissage automatique sont puissants mais difficiles à interpréter. Cependant, les valeurs SHAP peuvent vous aider à comprendre l'impact des caractéristiques du modèle sur les prédictions.

L'importation de données est la première étape de tout projet de science des données. Découvrez pourquoi les scientifiques des données d'aujourd'hui préfèrent la fonction pandas read_csv() pour ce faire.

Dans ce tutoriel, vous apprendrez à utiliser l'ACP (Analyse en Composantes Principales) de R pour extraire des données comportant de nombreuses variables et créer des visualisations pour afficher ces données.

Nous affinerons Llama 3 sur un ensemble de données de conversations entre patients et médecins, afin de créer un modèle adapté au dialogue médical. Après avoir fusionné, converti et quantifié le modèle, il sera prêt pour une utilisation locale privée via l'application Jan.

Apprenez à lire et à importer des fichiers Excel en Python, à écrire des données dans ces feuilles de calcul et à trouver les meilleurs packages pour ce faire.