Data Science Tutorials

GGUF paketerar modellvikter, tokeniserardata och metadata i en enda portabel fil. Lär dig hur du väljer rätt kvantiseringsnivå och kommer igång med Ollama.

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.

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

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.

Hur random forest-regression fungerar, var den brister och hur du utvärderar, finjusterar och tolkar den. Inkluderar en Python-implementation och ramverk för jämförelse av modeller.

Lär dig hur du använder Cofounder 2 för att förvandla en grov idé till ett strukturerat företag med affärsplan, varumärkespaket, ingenjörsuppgifter, marknadsföringskampanjer och säljflöden via specialiserade AI-agenter.

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.

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.