Tutorials voor data-analyse

Begrijp hoe de t-verdeling helpt wanneer steekproeven klein zijn of de populatievariantie onbekend is. Vergelijk haar met de normale en Z-verdeling om te leren wanneer elke geschikt is.

Ontdek verschillende technieken om efficiënt met missende waarden om te gaan en hun implementaties in Python.

Begin met het analyseren van Titanic-data met R en de tidyverse: leer je data filteren, ordenen, samenvatten, muteren en visualiseren met dplyr en ggplot2!

In Python is timedelta een gegevenstype binnen de datetime-module dat wordt gebruikt om duur of verschillen tussen twee tijdstippen weer te geven.

Haal Google Trends-gegevens op van zoekwoorden zoals 'diet' en 'gym' en zie hoe ze in de tijd variëren, terwijl je leert over trends en seizoensinvloeden in tijdreeksdata.

Leer hoe je tijdreeksdata opsplitst in betekenisvolle componenten zoals trend, seizoensinvloeden en resttermen met additieve en multiplicatieve modellen. Leer over zowel klassieke als STL‑methoden. Verken seizoenscorrecties en oefen met forecasting met decompositiemodellen.

Leer Tijdreeksanalyse met R en gebruik een package in R voor forecasting om de realtime reeks te laten aansluiten op het optimale model.

De driehoeksongelijkheid is meer dan alleen een meetkundig principe - het is een hoeksteen van afstandsmaatstaven in data science. Ontdek hoe dit elegante wiskundige concept algoritmen aandrijft in computationele meetkunde, optimalisatie en machine learning.

Ontdek hoe de TRIM()-functie extra spaties verwijdert en je data opschoont. Combineer met functies zoals SUBSTITUTE(), CLEAN() en VALUE() om allerlei opmaakproblemen op te lossen.

Leer hoe je de ModuleNotFoundError: No module named 'sklearn' snel oplost met onze gedetailleerde, makkelijk te volgen online gids.

Data opschonen is een fundamenteel bouwblok van data science. Leer waarom data opschonen belangrijk is en hoe je Python gebruikt om het proces uit te voeren.

Leer basisvisualisaties van verschillende datastructuren met Bokeh.