Data science-tutorials

Leer wat minima en maxima zijn, hoe lokale en globale extrema verschillen, en hoe je ze vindt met kritieke punten, eerste en tweede afgeleidetests en de gesloten-intervalmethode.

Leer wat een inverse matrix is, hoe je bepaalt of een matrix inverseerbaar is en waarom matrixinversen ertoe doen in lineaire algebra en data science.

Leer hoe SARIMA ARIMA uitbreidt om seizoensinvloeden aan te pakken, begrijp de zeven parameters en bouw een werkend model in Python van dataverzameling tot voorspelling.

Weten waarom schijnrelaties ontstaan, van confounders tot steekproefbias, is wat een echte bevinding scheidt van een statistisch toeval.

Een beginners-tutorial die laat zien hoe versiebeheer met Git werkt en waarom het cruciaal is voor datascienceprojecten.

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

Kernel-dichtheidsschatting is een niet-parametrische methode om de vorm van een dataverdeling te schatten zonder een vast model aan te nemen. Leer de formule, bandbreedtekeuze en hands-on implementatie in Python en R.

Een praktische gids voor spline-regressie, met uitleg over hoe stukgewijze polynomen en knopen niet-lineaire relaties modelleren, de belangrijkste splinetypen en hoe je ze in Python en R past.

Een praktische walkthrough van de aannames achter logistische regressie, de diagnostiek die overtredingen oppikt in Python en R, en de alternatieven waar je naar grijpt als de aannames niet gelden.

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.

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.