Nos tutoriels en science des données

Apprenez à simplifier la création d'agents d'intelligence artificielle avec la nouvelle bibliothèque Python de Hugging Face, smolagents, et suivez un projet de démonstration pour la voir en action.

Apprenez ce que sont les tâches du ChatGPT d'OpenAI, comment les utiliser, et découvrez 10 cas d'utilisation pratiques pour automatiser et planifier vos actions.

Apprenez les techniques essentielles de nettoyage des données dans Excel, notamment la suppression des doublons, le traitement des valeurs manquantes et le maintien d'un formatage cohérent.

Découvrez comment maîtriser les sous-requêtes SQL pour améliorer vos requêtes de base de données. Découvrez les sous-requêtes corrélées, non corrélées et récursives. Apprenez à connaître l'ordre d'exécution et à combiner les sous-requêtes SQL avec d'autres fonctions SQL.

Un tutoriel scikit-learn facile à suivre qui vous aidera à vous lancer dans l'apprentissage automatique en Python.

Découvrez comment UPDATE avec JOIN en SQL simplifie les mises à jour entre tableaux dans SQL Server. Comprendre les différences entre INNER JOIN et LEFT JOIN pour des cas d'utilisation spécifiques, et explorer des alternatives en utilisant des sous-requêtes ou l'instruction MERGE.

Apprenez le processus simplifié de l'analyse de la variance dans Excel et l'interprétation des résultats grâce à des instructions claires, étape par étape.

Maîtrisez l'art d'utiliser VLOOKUP() avec plusieurs critères dans Excel. Explorez des techniques avancées telles que les colonnes d'aide et la fonction CHOOSE().

Apprenez à utiliser l'opérateur SQL EXISTS() pour l'évaluation et le filtrage des sous-requêtes, avec des exemples, des bonnes pratiques et des conseils pour optimiser vos requêtes.

Construisez votre moteur de recommandation à l'aide de Python, des modèles de base aux systèmes de recommandation basés sur le contenu et le filtrage collaboratif.

Apprenez les bases des 25 commandes SQL les plus populaires et comment les utiliser.

Dans ce tutoriel, vous apprendrez à mettre en œuvre des réseaux de neurones convolutifs (CNN) en Python avec Keras, et à surmonter l'overfitting avec le dropout.