Data science-tutorials

Ontdek alles over logistische regressie: hoe het verschilt van lineaire regressie, hoe je deze modellen in R fit en evalueert met de glm()-functie en meer!

Leer wat de lognormale verdeling is, hoe die zich verhoudt tot de normale verdeling, en waar die wordt toegepast in financiën, biologie en machine learning.

Leer waarom je je data van een long- naar een wide-formaat (en andersom) zou omzetten en ontdek hoe je dit in R doet met melt() en dcast()!

Visualiseer ongelijkheid in één oogopslag met de Lorenzcurve. Ontdek hoe je Lorenzcurves maakt en interpreteert met Python om ongelijkheid te analyseren in inkomen, misdaad en andere realistische datasets.

Deze korte tutorial maakt je wegwijs in de basis van machine learning in R: je ziet hoe je R gebruikt om met KNN te werken.

Leer ggplot2-histogrammen in R maken en aanpassen, van basisplots tot gekleurde, gefacetteerde en met dichtheidsoverlays.

Ontwikkel webcrawlers met Scrapy, een krachtig framework voor het extraheren, verwerken en opslaan van webdata.

Leer hoe je de Manhattan-afstand berekent en toepast met codevoorbeelden in Python en R, en verken het gebruik ervan in machine learning en padvinden.

Leer de wiskundige basis van enkelvoudige kansen, verken uitgewerkte voorbeelden van klassieke statistiek tot praktijkscenario's, en ontdek toepassingen in data science en machine learning.

In deze tutorial leer je hoe je met verschillende markuptags werkt en schrijft in Jupyter Notebook.

Leer over Market Basket Analysis en het APRIORI‑algoritme erachter. Zie hoe het retailers helpt de business te boosten door te voorspellen welke items klanten samen kopen.

In deze tutorial leer je wat een Markovketen is en gebruik je die om gegevens over verkooptempo in R te analyseren.