Tutorial di Data Science

Scopri come rilevare anomalie in grandi set di dati di serie temporali e presentare gli insight in modo molto più semplice.

Esplora il ruolo del determinante nelle operazioni con le matrici, nella geometria e nei metodi computazionali, con calcoli passo passo in Python e R.

Capisci quando e come le matrici possono essere diagonalizzate e perché è importante per la data science e l'algebra lineare computazionale.

In questo tutorial imparerai a scoprire i topic nascosti nei documenti usando la Latent Semantic Analysis in Python.

Capisci le distribuzioni di probabilità discrete nella data science. Esplora PMF, CDF e i principali tipi come Bernoulli, Binomiale e Poisson con esempi in Python.

In questo tutorial su Docker, scopri l'installazione, i comandi Docker più comuni, come creare immagini per applicazioni di machine learning e le best practice adottate nel settore.

Scopri perché è necessario documentare il codice e le best practice per farlo. Inoltre, impara a sfruttare il modulo Pydoc per la documentazione.

Comprendi la tecnica che governa molte discipline come matematica e fisica e capisci la sua importanza.

Esplora i fondamenti dell’eigendecomposition e le sue applicazioni in data science e machine learning.

Autovettori e autovalori sono essenziali per comprendere le trasformazioni lineari. Questo articolo ne illustra l'interpretazione geometrica, il calcolo matematico e l'importanza nel machine learning.

Impara l'ensemble learning con Python. Questo tutorial pratico copre bagging vs boosting, Random Forest e XGBoost con esempi di codice su un dataset reale.

Migliora i risultati di machine learning e scopri gli ensemble in R con il pacchetto SuperLearner: impara l’algoritmo Random Forest, il bagging e molto altro!