Data science-tutorials

Leer hoe je anomalieën in grote tijdreeksdatabases detecteert en inzichten veel eenvoudiger presenteert.

Ontdek de rol van de determinant in matrixbewerkingen, geometrie en computationele methoden, met stapsgewijze berekeningen in Python en R.

Begrijp wanneer en hoe matrices kunnen worden gedagonaliseerd, en waarom dat belangrijk is voor data science en computationele lineaire algebra.

In deze tutorial leer je hoe je verborgen onderwerpen in documenten ontdekt met Latent Semantic Analysis in Python.

Begrijp discrete kansverdelingen in data science. Verken PMF, CDF en hoofdtypen zoals Bernoulli, Binomiaal en Poisson met Python-voorbeelden.

Ontdek in deze Docker-tutorial de installatie, veelgebruikte Docker-commando’s, het dockerizen van machinelearning-applicaties en best practices uit de industrie.

Leer waarom code documenteren nodig is en wat de best practices zijn. Leer bovendien het potentieel van de Pydoc-module benutten voor documentatiedoeleinden.

Begrijp de techniek die vele disciplines zoals wiskunde en natuurkunde aanstuurt, en begrijp het belang ervan.

Ontdek de basis van eigendecompositie en de toepassingen ervan in data science en machine learning.

Eigenvectoren en eigenwaarden zijn essentieel om lineaire transformaties te begrijpen. Dit artikel behandelt hun geometrische interpretatie, wiskundige berekening en belang in machine learning.

Leer ensemble learning met Python. Deze praktische tutorial behandelt bagging vs boosting, Random Forest en XGBoost met codevoorbeelden op een echte dataset.

Boost je machine learning-resultaten en ontdek ensembles in R met de SuperLearner-package: leer over het Random Forest-algoritme, bagging en nog veel meer!