Machine Learning-tutorial

Leer wat Maximum Likelihood Estimation (MLE) is, begrijp de wiskundige basis, bekijk praktische voorbeelden en ontdek hoe je MLE in Python implementeert.

Leer hoe multilayer perceptrons werken in deep learning. Begrijp lagen, activatiefuncties, backpropagation en SGD met praktische begeleiding.

Leer over PCA en hoe je het kunt inzetten om informatie uit data te halen zonder supervisie, met twee populaire datasets: Breast Cancer en CIFAR-10.

Dit artikel behandelt hoe en wanneer je random forest-classificatie gebruikt met scikit-learn, met focus op concepten, workflow en voorbeelden. We laten ook zien hoe je de confusion matrix en feature-importance gebruikt.

Ontdek cross-entropy in machine learning in onze gids over het optimaliseren van modelnauwkeurigheid en effectiviteit bij classificatie, met TensorFlow- en PyTorch-voorbeelden.

Leer over het populairste deep learning-model, de RNN, en doe praktijkervaring op door een MasterCard-koersvoorspeller te bouwen.

Ontdek de kracht van XGBoost, een van de populairste machinelearning-frameworks onder data scientists, met deze stapsgewijze tutorial in Python.

In deze tutorial leer je hoe je data van het web haalt, data manipuleert en opschoont met de Pandas-bibliotheek van Python, en data visualiseert met de Matplotlib-bibliotheek van Python.

Een gids om het A*-zoekalgoritme in Python te begrijpen en te implementeren. Bekijk hoe je efficiënte oplossingen maakt voor complexe zoekproblemen met praktische codevoorbeelden. Leer optimalisatiestrategieën die in productieomgevingen worden gebruikt.

Ontdek hoe het Apriori-algoritme werkt, de belangrijkste concepten, en hoe je het effectief inzet voor data-analyse en besluitvorming.

Leer over technieken, toepassingen en tools voor data-augmentatie met een TensorFlow- en Keras-tutorial.

Leer in deze tutorial beslissingsboomclassificatie, maten voor attribuutselectie, en hoe je een Decision Tree Classifier bouwt en optimaliseert met de Python Scikit-learn-package.