Data Science Tutorials

Explorez l'entropie croisée dans l'apprentissage automatique dans notre guide sur l'optimisation de la précision et de l'efficacité des modèles dans la classification avec des exemples TensorFlow et PyTorch.

Apprenez à convertir une colonne de tableau de tableur en minuscules en utilisant .str.lower().

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 les chaînes de caractères Python. Trouvez différents exemples et types de format de docstrings pour Sphinx, Numpy et Pydoc.

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.

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.

Apprenez à effectuer des requêtes Git PUSH et PULL via GitHub Desktop et la ligne de commande.

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.

Le réglage fin des grands modèles de langage (LLM) a révolutionné le traitement du langage naturel (NLP), offrant des capacités sans précédent dans des tâches telles que la traduction linguistique, l'analyse des sentiments et la génération de textes. Cette approche transformatrice s'appuie sur des modèles pré-entraînés tels que GPT-2, améliorant leurs performances dans des domaines spécifiques grâce à un processus de réglage fin.

Apprenez à interroger et à filtrer une date supérieure à une date spécifique en SQL. Comparez les différences de logique de la date supérieure à dans MySQL, PostgreSQL et SQL Server.

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.