Data Science Tutorials

Leer hoe je Cofounder 2 gebruikt om een ruwe idee om te zetten in een gestructureerd bedrijf met een businessplan, brandkit, engineeringtaken, marketingcampagnes en salesworkflows via gespecialiseerde AI-agents.

Hoe random forest-regressie werkt, waar het faalt, en hoe je het evalueert, afstemt en interpreteert. Inclusief een Python-implementatie en kader voor modelvergelijking.

Leer hoe Claude Code-routines je coding agent in de cloud laten draaien op een schema of een GitHub-event, zodat PR-reviews en audits klaar zijn terwijl je laptop dicht is.

Een complete tutorial over het gebruik van Python-native tools voor asynchrone CRUD-operaties en HTMX-interactiviteit.

GGUF verpakt modelgewichten, tokenizerdata en metadata in één draagbaar bestand. Leer hoe je het juiste kwantisatieniveau kiest en aan de slag gaat met Ollama.

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 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 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 gids voor GLM’s: wat ze zijn, hoe hun drie componenten samenwerken en hoe je ze fit en interpreteert in Python en R.

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.

Leer wat zero-shotclassificatie is, hoe het onder de motorkap werkt met NLI-modellen, hoe het zich verhoudt tot few-shot en fine-tuning, en hoe je het toepast met Hugging Face Transformers.

Een gids voor Markov Chain Monte Carlo — met uitleg over hoe het werkt, waarom het wordt gebruikt, de meest gangbare algoritmen en hoe je het toepast in Python voor Bayesiaanse inferentie.