Data Science Tutorials

Zbuduj workflow naprawy CI na GitHubie z DeepSeek Superagent, a następnie użyj trybu observe, pytesta, danych holdout i przeglądu człowieka, by sprawdzić jedną poprawkę w pandas.

Zbuduj agenta w Pythonie z Gemini 4 Argon, wywoływaniem funkcji i profilowaniem, a następnie sprawdź jego łatki ukrytymi testami, benchmarkami i kosztem API.

Przewodnik krok po kroku po działaniu architektury transformera — od self-attention po oparte na niej LLM-y tylko z dekoderem.

Dowiedz się, jak Mercury 3 wykorzystuje generowanie dyfuzyjne do stworzenia asystenta analizy incydentów, wizualizowania stanów dopracowania i porównania niskiego vs wysokiego nakładu rozumowania.

Poznaj pandas od instalacji po analizę — każde ćwiczenie przetestowane na pandas 3.1.

Naucz się PySparka z uruchamialnym kodem: skonfiguruj PySparka 4.3, wybieraj, filtruj, grupuj i łącz DataFrame’y, zadawaj zapytania Spark SQL i klastruj klientów z pyspark.ml.

Użyj Meta Muse Wonder i webowego API Olostep, aby weryfikować tezy medyczne, wyjaśniać rozumowanie i pokazywać źródła dowodów.

Zbuduj w Pythonie agenta obraz→CAD z API Kimi K3.1 Pro, używając wejścia wizji, wywoływania narzędzi, piaskownicy Dockera, ukrytego ewaluatora i śledzenia kosztów.

Praktyczny przewodnik konfiguracji Meta Muse dla nowych użytkowników. Naucz się ustawiać uprawnienia, łączyć narzędzia, określać zakres zadania, które agent faktycznie dokończy, i czytać Dziennik aktywności, żeby wiedzieć, co zrobił(a), zanim zaufasz wynikowi.

Model autoregresyjny przewiduje przyszłe wartości szeregu czasowego na podstawie jego przeszłości. Dowiedz się, jak dopasować go w Pythonie ze statsmodels, dobrać rząd opóźnień za pomocą PACF i AIC/BIC oraz porównać z MA i ARIMA.

Samouczek o Azure Pricing Calculator: jak z niego korzystać, najlepsze praktyki oraz błędy, których warto unikać.

Dowiedz się, jak ARIMAX rozszerza ARIMA o zewnętrzne predyktory, poznaj jego parametry i założenia oraz zbuduj model prognozowania w Pythonie z użyciem statsmodels.