Data Science Tutorials

Scopri le basi dei prodotti cartesiani in SQL. Impara quando e come usarli in modo efficace ed esplora le best practice per ottimizzare le prestazioni.

Impara a convertire una colonna di un foglio di calcolo in minuscolo usando .str.lower().

In questo tutorial imparerai a scrivere query condizionali in PostgreSQL usando l'espressione condizionale CASE di PostgreSQL.

Scopri come CatBoost semplifica la gestione dei dati categorici con la funzione CatBoostClassifier(). Comprendi le differenze chiave tra CatBoost e XGBoost per fare scelte informate nei tuoi progetti di machine learning.

Impara i trucchi più comuni per gestire i dati categorici e fare il preprocessing per costruire modelli di machine learning!

Esplora le distribuzioni a code pesanti dove i metodi statistici tradizionali non si applicano. Scopri come la distribuzione di Cauchy modella efficacemente fenomeni in cui gli eventi estremi si verificano più spesso del previsto.

Esplora la definizione di centralità, scopri quali tipi di misure di centralità esistono nell’analisi di reti e scegli la migliore per una determinata rete!

Il teorema del limite centrale afferma che, con una dimensione campionaria sufficientemente grande, la distribuzione della media campionaria sarà normalmente distribuita, indipendentemente dalla distribuzione della popolazione. Scopri la formula, le condizioni chiave e le applicazioni in statistica e machine learning.

Esplora il concetto di tendenza centrale in statistica, incluse misure specializzate come media, mediana e moda. Impara a selezionare la misura più adatta in base alle caratteristiche e alla distribuzione dei tuoi dati.

Scopri cos'è Chainlit, come installarlo e come eseguirlo per creare interfacce interattive per applicazioni basate su LLM.

Sblocca tutto il potenziale dei Large Language Model (LLM) con la nostra guida al prompting Chain-of-Thought (CoT). Scopri come migliorare le capacità di ragionamento e problem solving degli LLM.

Capisci come derivare l’equazione caratteristica di una matrice ed esplora le sue proprietà chiave. Scopri come autovalori e autovettori rivelano pattern nelle applicazioni di data science. Costruisci solide basi di algebra lineare per il machine learning.