Data Science Tutorials

Kompletny poradnik o użyciu natywnych dla Pythona narzędzi do asynchronicznych operacji CRUD i interaktywności HTMX.

Dowiedz się, jak procedury Claude Code uruchamiają twojego agenta kodowania w chmurze według harmonogramu lub zdarzenia GitHub, dzięki czemu recenzje PR i audyty kończą się przy zamkniętym laptopie.

Dowiedz się, jak używać Cofounder 2, aby zamienić wstępny pomysł w uporządkowaną firmę z biznesplanem, brand kitem, zadaniami inżynieryjnymi, kampaniami marketingowymi i procesami sprzedażowymi dzięki wyspecjalizowanym agentom AI.

Zobacz, jak kompleksowy pipeline MLOps przewiduje wyniki MŚ 2026: od automatycznego ponownego trenowania i DVC po 10 000-krotną symulację Monte Carlo drabinki.

GGUF pakuje wagi modelu, dane tokenizera i metadane do jednego przenośnego pliku. Dowiedz się, jak wybrać odpowiedni poziom kwantyzacji i zacząć z Ollama.

Dowiedz się, jak przyspieszyć lokalną inferencję Gemma 4 31B na pojedynczym RTX 4090, używając spekulacyjnego dekodowania DFlash i Flash Attention względem konfiguracji bazowej.

Jak działa regresja lasem losowym, gdzie zawodzi oraz jak ją oceniać, stroić i interpretować. Zawiera implementację w Pythonie i ramy porównania modeli.

Estymacja gęstości jądrowej to nieparametryczna metoda szacowania kształtu rozkładu danych bez założenia stałego modelu. Poznaj wzór, dobór szerokości pasma oraz praktyczną implementację w Pythonie i R.

Praktyczny przegląd założeń stojących za regresją logistyczną, diagnostyk, które wykrywają naruszenia w Pythonie i R, oraz alternatyw, gdy założeń nie da się spełnić.

Praktyczny przewodnik po regresji sklejkami, obejmujący sposób, w jaki odcinkowe wielomiany i węzły modelują nieliniowe zależności, główne typy sklejek oraz ich dopasowanie w Pythonie i R.

Praktyczny przewodnik po GLM-ach – czym są, jak działają ich trzy komponenty i jak je dopasować oraz interpretować w Pythonie i R.

Szczegółowy przegląd overfittingu i underfittingu w uczeniu maszynowym — jak rozpoznać każdy tryb błędu, dlaczego się pojawia i jak go naprawić poprzez kompromis bias-variance.