Data science-tutorials

Leer over Markovketens, hun eigenschappen, transitiematrices en implementeer er zelf één in Python!

Duik in de basis van backpropagation in neurale netwerken met een praktische gids voor het trainen en evalueren van een model voor een usecase in beeldclassificatie.

Ontdek de basis van Shiny voor Python zodat je snel interactieve dashboards en webapplicaties kunt maken met deze nieuwe bibliotheek!

Leer alles over de matrix in R, rijen en kolommen benoemen, elementen benaderen en rekenen zoals optellen, aftrekken, vermenigvuldigen en delen.

Leer hoe je de nauwkeurigheid van je model evalueert met mean absolute error. Begrijp wanneer en waarom je MAE gebruikt om je data-gedreven beslissingen betrouwbaarder te maken.

Ontdek het mean shift-clusteringalgoritme, de voordelen, toepassingen in de praktijk en een stapsgewijze Python-implementatie. Vergelijk het met k-means om de belangrijkste verschillen te begrijpen.

In deze tutorial leer je meerdere datasets in R samen te voegen.

Minkowski-afstand is een manier om het rechte of gebogen pad tussen twee punten te meten, afhankelijk van een gekozen parameter die de vorm beïnvloedt. Lees verder om de basis, toepassingen en vergelijkingen van Minkowski-afstand in diverse velden te ontdekken.

In deze tutorial leer je null-waarden opvullen, data preprocessen, dimensionaliteit reduceren met PCA en data splitsen met K-Fold.

In deze tutorial bouw je vier modellen met de machinelearning-algoritmen Latent Dirichlet Allocation (LDA) en K-Means clustering.

Ontdek de geschiedenis, impact en toekomst van de wet van Moore, en hoe die de rekenkracht blijft vormgeven ondanks fysieke en economische grenzen.

Ontdek de impact van multicollineariteit op regressiemodellen. Leer technieken om multicollineariteit te detecteren en de betrouwbaarheid van je model te behouden. Ontdek praktische oplossingen om het aan te pakken.