Data Science Tutorials

En komplett handledning om att använda Python‑inhemska verktyg för asynkrona CRUD‑operationer och HTMX‑interaktivitet.

Lär dig hur Claude Code-rutiner kör din kodagent i molnet enligt schema eller en GitHub-händelse, så att PR-granskningar och revisioner blir klara medan din laptop är stängd.

Lär dig hur du accelererar lokal inferens för Gemma 4 31B på en enskild RTX 4090 med DFlash spekulativ avkodning och Flash Attention jämfört med en baslinjeuppsättning.

Se hur en end-to-end MLOps-pipeline förutspår resultaten i VM 2026 – från automatisk omträning och DVC till en Monte Carlo-simulering av hela slutspelsträdet med 10 000 körningar.

Kärntäthetsestimering är en icke-parametrisk metod för att uppskatta formen på en datafördelning utan att anta en fast modell. Lär dig formeln, bandbreddsval och praktisk implementering i Python och R.

En praktisk genomgång av antagandena bakom logistisk regression, diagnostiken som fångar överträdelser i Python och R, och alternativen att ta till när antagandena inte håller.

En praktisk guide till splineregression, som täcker hur styckvisa polynom och knutar modellerar icke-linjära samband, de viktigaste splinetyperna och hur man passar dem i Python och R.

En praktisk guide till GLM:er – vad de är, hur deras tre komponenter samverkar och hur du anpassar och tolkar dem i Python och R.

En detaljerad genomgång av overfitting och underfitting inom maskininlärning, inklusive hur du identifierar varje feltyp, varför den uppstår och hur du åtgärdar den genom bias-variance-avvägningen.

Lär dig vad zero-shot-klassificering är, hur det fungerar under huven med NLI-modeller, hur det står sig mot few-shot och finjustering, och hur du tillämpar det med Hugging Face Transformers.

En guide till Markovkedje–Monte Carlo – hur det fungerar, varför det används, de vanligaste algoritmerna och hur du tillämpar det i Python för Bayesiansk inferens.

Gradient clipping är en justering på en rad i träningsslingan som förhindrar att exploderande gradienter förstör träningen av djupa neurala nätverk. Den här guiden förklarar hur det fungerar, de två huvudsakliga klippningsmetoderna, hur du väljer tröskel och implementering i PyTorch och TensorFlow.