Data Science Tutorials

Beherrsche die Grundlagen der Excel-Funktion SQRT(). Lerne, wie du SQRT() für schnelle Quadratwurzelberechnungen nutzt und häufige Fehler vermeidest.

Lerne, wie du die Funktion c() in R verwendest, um Werte effizient zu Vektoren zu kombinieren.

Lerne, wie du die filter()-Funktion von Python nutzt, um Elemente aus Listen oder anderen Iterablen zu extrahieren. Verstehe die wichtigsten Unterschiede zwischen Filtern und ähnlichen Python-Tools.

Lerne, wie du deine Tabellenkalkulationen mit LAMBDA() vereinfachen kannst. Einmal schreiben, überall wiederverwenden und mit anderen modernen Excel-Funktionen kombinieren.

Lerne, wie du mit Plotly Shapes dein Daten-Storytelling aufwerten kannst. Dieses Handbuch bietet eine umfassende Anleitung zum Hinzufügen und Gestalten von Anmerkungen in Python, von einfachen Rechtecken und Linien bis hin zu fortgeschrittenen interaktiven Geometrien.

Hier erfährst du, wie du die Gemini CLI auf deinem lokalen Rechner installierst, wie du ein Projekt von Grund auf neu beginnst oder an einem bestehenden Projekt arbeitest und vieles mehr.

Lerne, wie du mit Devin echte Benutzerauthentifizierung mit NextAuth hinzufügst, Fehler mit Sentry überwachst und das Frontend mit Vorschau-URLs in Vercel bereitstellst.

Erfahre, wie Devin sich in Teams integriert, indem er Jira-Tickets verwaltet, Slack aktualisiert und CI/CD-Checks mit GitHub Actions durchführt, bevor er zusammenführt.

Entdecke, wie Devin dir bei deinen Codierungsaufgaben helfen kann. In diesem ersten Tutorial beginnen wir mit einem bestehenden Repo und erkunden die Funktionen, die in der Devin-Umgebung verfügbar sind.

Erfahre, wie Devin dir dabei helfen kann, einen Next.js 14-Spielplatz mit Live-Vitest-Feedback und einem NestJS-Backend zu bauen, das den Fortschritt des Benutzers mit einer anonymen UUID im localStorage speichert.

Lerne, wie du die Excel-Funktion COUNTBLANK() verwendest, um leere Zellen in deinen Daten schnell zu erkennen und zu zählen.

Entdecke, wie Delta Tabellen Batch- und Streaming-Daten vereinen, die Leistung steigern und Analysen in der Lakehouse-Architektur von Databricks vereinfachen.