Data Science Tutorials

Bygg ett arbetsflöde för CI-reparation i GitHub med DeepSeek Superagent, använd sedan observera-läge, pytest, holdout-data och mänsklig granskning för att kontrollera en pandas-fix.

Bygg en Python-agent med Gemini 4 Argon, funktionsanrop och profilering, och kontrollera sedan dess patchar med dolda tester, benchmark och API-kostnad.

En steg‑för‑steg‑guide till hur transformerarkitekturen fungerar, från self-attention till de decoder‑endast‑LLM:er som bygger på den.

Lär dig hur Mercury 3 använder diffusionsbaserad generering för att bygga en assistent för incidentanalys, visualisera förfinringssteg och jämföra låg respektive hög resoneringsinsats.

Lär dig pandas från installation till analys, med varje exempel testat på pandas 3.1.

Använd Meta Muse Wonder och Olostep web API för att granska medicinska påståenden, förklara resonemanget och visa var bevisen kommer ifrån.

Bygg en Python‑baserad bild‑till‑CAD‑agent med Kimi K3.1 Pro API med syninmatning, verktygsanrop, en Docker‑sandbox, en dold utvärderare och kostnadsspårning.

En praktisk konfigurationsguide för Meta Muse för förstagångsanvändare. Lär dig att ställa in behörigheter, ansluta verktyg, avgränsa en uppgift som agenten faktiskt kan slutföra och läsa Aktivitetsloggen så att du vet vad den gjort innan du litar på resultatet.

En autoregressiv modell förutspår framtida värden i en tidsserie utifrån dess eget förflutna. Lär dig hur du anpassar en i Python med statsmodels, väljer laggordningen med PACF och AIC/BIC, och jämför den med MA och ARIMA.

En handledning om Azure Pricing Calculator, hur du använder den, samt bästa praxis att följa och misstag att undvika.

Lär dig hur ARIMAX utökar ARIMA med externa prediktorer, förstå dess parametrar och antaganden och bygg en prognosmodell i Python med statsmodels.

Lär dig hur SARIMAX kombinerar säsongsmodellering av tidsserier med externa prediktorer. Förstå dess parametrar, se hur den skiljer sig från ARIMA och SARIMA, och bygg en prognosmodell i Python.