Data Science Tutorials

Bygg en visuell reparationsagent i Python med DeepSeek V4.1 Flash, Responses API, Playwright-skärmdumpar, apply_patch, pytest, kontextcache och kostnadsspårning.

Bygg och kör en molnagent med OpenAI Agents API som kan analysera filer, köra kod, verifiera resultat och returnera färdiga artefakter från en enda begäran.

Upptäck hur Polars read_csv() hjälper dig att läsa in CSV-data effektivt i Python, inklusive hantering av stora datamängder, definiering av scheman och optimering av prestanda.

Lär dig koppla tabeller, skriva DAX-formler och bygga interaktiva rapporter i Excel.

Kör den optimerade Motif-3 Quant på en NVIDIA H200 med ds4-runtime, exponera den via ett OpenAI-kompatibelt API och integrera den med en Pi-kodagent.

Lär dig vad statistisk arbitrage är, hur kvantitativa handlare identifierar tillfälliga prissamband och hur strategier som pairs trading och medelåtergång fungerar i praktiken.

Lär dig använda VBA-funktionen InStr för att hitta text i strängar, inklusive syntax, exempel, skiftlägeskänslighet och vanliga misstag.

Lär dig hur du konfigurerar Kimi Browser Extension med både Kimi Work och Kimi Code CLI, och kör en produktsökning som extraherar strukturerade resultat från en webbplats.

Flow matching tränar generativa modeller att omvandla brus till data genom att lära ett vektorfält som flyttar prover längs en vald sannolikhetsbana, samma idé som driver kontinuerliga normaliseringsflöden och moderna diffusionsmodeller.

Fördjupad förstärkningsinlärning kombinerar förstärkningsinlärningens trial-and-error-loop med neurala nätverk som generaliserar över enorma tillståndsrymder.

Lär dig vad rekursiv självförbättring betyder inom AI, hur AI-system kan hjälpa till att utveckla bättre AI, hur nära dagens modeller är RSI och varför konceptet är viktigt för AI-kapabiliteter och säkerhet.

Lär dig skillnaden mellan exogena och endogena variabler, varför endogenitet är viktigt för kausal inferens och regression, och hur du identifierar och hanterar endogena variabler.