Nos tutoriels en science des données

Apprenez à modéliser et à résoudre des problèmes d'optimisation à l'aide de Python, une puissante bibliothèque Python. Explorez des exemples pratiques d'optimisation linéaire et non linéaire !

Apprenez à construire des chatbots avec Streamlit, LangChain et Neo4j. Ce tutoriel couvre la création d'interfaces utilisateur pour les apps LLM, la mise en œuvre de RAG et le déploiement sur Streamlit Cloud.

Un guide pour comprendre et mettre en œuvre l'algorithme de recherche A* en Python. Découvrez comment créer des solutions efficaces pour des problèmes de recherche complexes à l'aide d'exemples de code pratiques. Apprenez les stratégies d'optimisation utilisées dans les environnements de production.

Découvrez comment WHERE filtre les données au niveau des lignes dans les requêtes SQL, tandis que HAVING filtre les données groupées après agrégation, et maîtrisez leurs utilisations distinctes dans les requêtes SQL.

Apprenez les premiers principes de l'optimisation de la politique proximale, y compris son implémentation dans PyTorch avec Gymnasium !

Amélioration du modèle Llama 3.1 pour résoudre des problèmes d'algèbre spécialisés avec une grande précision et des résultats détaillés à l'aide d'Unsloth.

Découvrez comment la recherche de type "breadth-first" explore systématiquement les nœuds et les arêtes des graphes. Découvrez son approche niveau par niveau pour garantir le chemin le plus court dans les réseaux non pondérés. Appliquer le BFS dans les domaines de la science des données, de l'IA et de la mise en réseau.

Python dlt est un excellent choix pour les ingénieurs de données qui veulent déplacer des données rapidement et en toute confiance. Il s'intègre à presque toutes les sources et destinations et vous permet d'écrire rapidement vos pipelines ELT/ETL. Ce tutoriel vous montre comment contrôler chaque étape du pipeline et travailler avec des fichiers locaux, le cloud, des bases de données et des API REST.

Apprenez la RAG spéculative, une technique qui améliore la RAG grâce à un processus de rédaction et de vérification en deux étapes, et mettez vos compétences en pratique en utilisant les transformateurs Hugging Face.

Apprenez à rationaliser vos évaluations LLM avec MLflow. Ce cursus couvre la configuration de MLflow, l'enregistrement des métriques, le suivi des versions d'expériences et la comparaison des modèles afin de prendre des décisions éclairées pour optimiser les performances de LLM !

Fusionnez deux colonnes dans Excel en utilisant l'opérateur & de l'esperluette ou la fonction CONCAT() avec un délimiteur personnalisé. Vous pouvez également utiliser TEXTJOIN(), qui vous permet d'ignorer les cellules vides.

L'héritage Python vous permet de construire de nouvelles classes en réutilisant et en étendant les fonctionnalités des classes existantes. Apprenez à concevoir des relations de classe parent-enfant, à mettre en œuvre des modèles d'héritage et à appliquer des techniques telles que la superposition de méthodes.