Nos tutoriels en science des données

Dans ce tutoriel, vous allez apprendre à utiliser une bibliothèque assez unique en Python, TPOT. Elle automatise toute la chaîne de machine learning et vous propose le modèle le plus performant.

Dans ce tutoriel, vous verrez ce qu’est le transfer learning, certaines de ses applications et pourquoi c’est une compétence essentielle pour un data scientist.

Une dépendance transitive survient lorsqu'un attribut d'une base dépend indirectement d'un autre via un troisième attribut, ce qui crée des redondances. Poursuivez votre lecture pour apprendre à les identifier et les éliminer lors de la conception de bases de données.

L'inégalité triangulaire est bien plus qu'un principe géométrique : c'est une pierre angulaire des mesures de distance en data science. Découvrez comment ce concept mathématique élégant alimente des algorithmes en géométrie algorithmique, en optimisation et en machine learning.

Apprenez à exécuter le modèle TRIBE v2 de Meta sur Google Colab, à prédire l’activité corticale à partir de stimuli naturalistes et à visualiser les résultats sous forme de cartes thermiques 3D interactives.

Apprenez à créer et déployer une application web de comparaison de cours boursiers avec Bokeh. Mettez à profit vos compétences de visualisation Bokeh en Python pour créer un outil pratique et interactif.

Découvrez l’écosystème Hadoop, ses architectures et comment démarrer avec Cloudera.

Le nettoyage des données est un pilier de la data science. Découvrez son importance et comment utiliser Python pour mener ce processus.

Un tutoriel pour comprendre ce qu’est la corrélation et pourquoi il est essentiel pour tout aspirant data scientist de la maîtriser.

Apprenez à créer des visualisations de base de différentes structures de données avec Bokeh.

Un guide concis pour naviguer dans Google Colab, coder en data science et collaborer avec d'autres data scientists.

Découvrez comment la descente de gradient optimise les modèles en machine learning. Applications en régression linéaire, régression logistique, réseaux de neurones, et ses variantes clés : batch, stochastique et mini-batch.