Data science-tutorials

Een gedetailleerde walkthrough van overfitting en underfitting in machine learning, inclusief hoe je elke foutmodus herkent, waarom die ontstaat en hoe je het oplost via de bias-variantieafweging.

Een praktische gids voor GLM’s: wat ze zijn, hoe hun drie componenten samenwerken en hoe je ze fit en interpreteert in Python en R.

Zie hoe een end-to-end MLOps-pijplijn het WK 2026 voorspelt, van geautomatiseerde hertraining en DVC tot een Monte Carlo-simulatie van 10.000 runs van het schema.

Gradient clipping is een fix van één regel in je trainingslus die voorkomt dat exploderende gradiënten het trainen van diepe neurale netwerken verknallen. Deze gids behandelt hoe het werkt, de twee belangrijkste methoden, drempelkeuze en implementatie in PyTorch en TensorFlow.

Een gids voor Markov Chain Monte Carlo — met uitleg over hoe het werkt, waarom het wordt gebruikt, de meest gangbare algoritmen en hoe je het toepast in Python voor Bayesiaanse inferentie.

Support Vector Regression is een marge-gebaseerde regressiemethode die kleine fouten bewust negeert, niet-lineaire relaties verwerkt via kernels en standhoudt op ruisige data uit de echte wereld waar standaard regressie tekortschiet.

Leer de basis van objectgeoriënteerd programmeren in Python: classes, objecten, attributen en methoden stap voor stap uitgelegd met codevoorbeelden.

Leer in deze tutorial hoe je k-means-clustering toepast met scikit-learn in Python

.loc selecteert data met rij- en kolomnamen (labels), terwijl .iloc numerieke indexen (posities) gebruikt. Leer beide gebruiken met voorbeelden.

Leer over lossfuncties in machine learning, inclusief het verschil tussen loss- en costfuncties, types zoals MSE en MAE, en hun toepassingen in ML-taken.

Leer hoe je een Naive Bayes-classifier bouwt en evalueert met het Python-pakket scikit-learn.

Krijg vertrouwen in OLS-regressie door de theoretische basis onder de knie te krijgen. Ontdek eenvoudige implementaties in Excel, R en Python.