Hướng dẫn Khoa học Dữ liệu

Tìm hiểu cách tạo mẫu xuất tuỳ chỉnh cho Jupyter Notebook của bạn bằng Jinja2.

Tìm hiểu cách tính và diễn giải khả năng nhiều biến cố xảy ra đồng thời. Khám phá các ứng dụng thực tế trong mô hình dự đoán, đánh giá rủi ro và học máy để giải quyết các thách thức khoa học dữ liệu phức tạp.

Một hướng dẫn nhập môn toàn diện giúp bạn nắm vững các kiến thức cơ bản của Julia. Tìm hiểu về toán tử, câu lệnh điều kiện, làm việc với DataFrame và hơn thế nữa.

Trong hướng dẫn Kaggle này, bạn sẽ học cách tiếp cận và xây dựng các mô hình học có giám sát với sự hỗ trợ của phân tích dữ liệu thăm dò (EDA) trên dữ liệu Titanic.

Tìm hiểu cách xây dựng mô hình học máy đầu tiên của bạn, một bộ phân loại cây quyết định, với gói scikit-learn của Python, gửi lên Kaggle và xem hiệu quả hoạt động!

Trong hướng dẫn học sâu bằng R với gói keras của RStudio này, bạn sẽ học cách xây dựng MLP (Multi-Layer Perceptron).

Tìm hiểu cách hoạt động của kiểm định chéo K-Fold cùng ưu và nhược điểm. Khám phá cách triển khai K-Fold Cross-Validation trong Python với scikit-learn.

Tìm hiểu k-means là gì và khám phá vì sao đây là một trong những thuật toán phân cụm được dùng nhiều nhất trong khoa học dữ liệu

Khám phá mọi điều bạn cần biết về Kubeflow và cách xây dựng, triển khai Machine Learning Pipelines

Toán tử Laplacian là một trong những công cụ toán học được dùng rộng rãi nhất trong học máy hiện đại. Nó đứng sau phân cụm phổ, học đa tạp, phát hiện cạnh ảnh và các thuật toán dựa trên đồ thị.

Tìm hiểu cách luật số lớn hỗ trợ tư duy thống kê. Xem cách nó đảm bảo tính nhất quán của trung bình theo thời gian và thúc đẩy dự đoán trong các lĩnh vực như thể thao, tài chính và khoa học.

Có một số lượng tối ưu các tầng ẩn và nơ-ron cho mạng nơ-ron nhân tạo (ANN). Hướng dẫn này trình bày một cách tiếp cận đơn giản để xác định số lượng tối ưu cho các tầng và nơ-ron của ANN.