Data Science-kurser
Data Science er området, hvor rå data omdannes til meningsfulde indsigter og intelligente beslutninger. I denne kategori lærer du at indsamle, behandle, analysere, visualisere og modellere data ved hjælp af værktøjer som Python, SQL, maskinlæring og BI-platforme — hvilket forbereder dig på virkelige, datadrevne udfordringer.
4.7
Bedømt efter 7 anmeldelser.
76 LærendeAllerede tilmeldt
Opnåede færdigheder:
A/B Test DesignAI Transparency AwarenessAI etik grundprincipperARIMA ModelingActivation Function AnalysisActive Learning FundamentalsAdaptive AlgorithmsAdvanced ARIMA TechniquesAdvanced Ensemble IntegrationAdvanced Text CleaningAdversarial Training ConceptsAgent-Environment InteractionAlgorithm Evaluation and ComparisonAlgoritmer for Multi-Armed BanditAlignment and Generalization RisksAnalyse af retfærdighed og biasAnalyzing GAN Training ChallengesAnomaly detection evaluation Ansvarlige AI-rammeværkAnsvarlighed i AIAnvendelse af PyArrow APIAnvendelse af RNN til NLP-opgaver (sentimentanalyse)Anvendelse af Random ForestApplied Calibration WorkflowsApproximate InferenceApproximate ReasoningApproximation TheoryArrow-datamodelAttention Mechanisms TheoryAutomated Search with scikit-learnAutoregressive GenerationBackward Difference CodingBagging and Random ForestsBayes' SætningBayesian NetworksBayesian OptimizationBegreber om multi-head opmærksomhedBehandling af tidsserier og sekventielle dataBernoulli DistributionBias–Variance Trade-offs in High DimensionsBias–Variance TradeoffBilledbehandling med OpenCVBinær KlassifikationsmodelleringBoosting AlgorithmsCalibration Metrics (ECE, MCE, Brier Score)CatBoost ModelingCatastrophic Forgetting AnalysisCategorical Feature HandlingChain-of-thought promptingChi-Square AnalysisClassification AlgorithmsClassification Loss AnalysisClassification metrics (Accuracy, Precision, Recall, F1, ROC–AUC) Clustering TechniquesClustering evaluation (Silhouette, Davies–Bouldin, Calinski–Harabasz) Coefficient VisualizationCommittee-Based QueryingCompactness and ConvergenceCompression Trade-off ReasoningConcentration of MeasureConditional IndependenceConjugate PriorsContinual Learning TheoryContinuity and BoundednessConvergence TheoryConvex AnalysisConvolutional Neural NetworksCoordinate Reference SystemsCorrelation AnalysisCritical Analysis of NTK LimitationsCross-validation techniquesCurse of DimensionalityDBSCAN: håndtering af støj og uregelmæssige formerData Leakage PreventionData Preprocessing with TransformersData StorytellingData Visualization with matplotlib and seabornDatabehandlingDatainteroperabilitetDatanormalisering og afstandsmålDataprivatlivskoncepterDatapræprocesseringDatatransformationDatavaskDeduplication AlgorithmsDegrees of TruthDensity-Weighted SamplingDeployment Best PracticesDescriptive StatisticsDeterminants and matrix rank Diffusion Model TheoryDiffusionsmodellerDimensionality reduction evaluation DimensionsreduktionDirectional derivatives Distance CollapseDistributional Analysis of Neural NetworksDocument Chunking and IndexingDocument ClusteringDocument Similarity MeasuresDrift Detection FundamentalsEffective DocumentationEigenvalues and eigenvectors Empirical Risk MinimizationEncoder-Decoder ArchitectureEncoding Leakage PreventionEnd-to-end modeludvikling og evalueringEnsemble Learning FundamentalsEntropy and CompressionEntropy and Rate–Distortion AnalysisError Propagation in Deep NetworksEstimator IntrospectionEthical AI PrinciplesEtisk beslutningstagningEvaluation Under Distribution ShiftEvalueringsmetrikker for Generativ AIEvalueringsmetrikker for ModellerEvolutionær optimeringExperiment Tracking with MLflowExperimental Data PreparationExplainable AI FundamentalsExploration vs. ExploitationExploratory Data AnalysisExponential Family UnderstandingExpressivity of Neural NetworksFailure Analysis in RAGFailure Mode DiagnosisFairness in MLFeature Engineering for TSFeature ScalingFeature Selection MethodsFeature engineeringFeature-kodningFeature-selektionFeature-skaleringFeed-Forward NetworksFew-shot promptingFine-tuning Pre-trained ModelsForecast Evaluation MetricsForecasting StrategiesFormal Preference ModelingForståelse af RNN, LSTM og GRUForståelse af transformerarkitekturFortolkning af Egenskabers BetydningFunctional Analysis FoundationsFunctional Analysis in MLFunktioner & MængderFuzzy If–Then RulesFuzzy Inference SystemsFuzzy Logical OperatorsFuzzy Matching in PythonFuzzy SetsGAN FundamentalsGAN'erGaussian DistributionGaussian Mixture Models: probabilistisk klyngeanalyseGaussian Process CorrespondenceGeneralization BoundsGeneralization in Learning TheoryGenerativ AIGenerative Model ConnectionsGenetiske algoritmerGennemsigtighedsprincipperGeometric Implications for ML AlgorithmsGeometric InterpretabilityGeometric Intuition in High DimensionsGeospatial Data FundamentalsGeospatial VisualizationGradient Boosting for TSGradient DescentGrafrepræsentation i PythonGrafteori for MLGraph LaplaciansGraph Representation in PythonGraphSAGE-koncepterGrundlæggende GymnasiumGrundlæggende Reinforcement LearningGrundlæggende klyngeanalyse og algoritmerGrundlæggende prompt engineeringGrænser & DifferentiationHelmert CodingHierarkisk klyngedannelse og dendrogrammerHigh-Cardinality Feature EncodingHigh-Dimensional Data InterpretationHigh-Dimensional Geometry IntuitionHigh-Dimensional Statistical TheoryHilbert Spaces in LearningHistogram BinningHybrid Rule-Based SystemsHyperparameter TuningHyperparameter Tuning FundamentalsHyperparametertuningHypothesis TestingHåndtering af manglende og kategoriske dataImplementering af rekurrente netværk i PyTorchImplicit Bias in Machine LearningImplicit Regularization in Deep NetworksImportance SamplingImputation af manglende værdierIn-Context Learning TheoryInductive BiasInductive Bias ReasoningInfinite-Width Neural Network TheoryInformation Bottleneck and MDLInformation Theory BasicsInformation Theory in NLPInformation-Theoretic LossesInformation-Theoretic ReasoningIntegralerInterpreting Generalization BoundsIntuition om grafindlejringIntuition om selv-opmærksomhedIsolation Forest ImplementationIsotonic RegressionJacobian matrices Jupyter Notebook ProficiencyK-Means: principper og klyngeoptimeringKernel MethodsKernel Regression DynamicsKernel-based RegularizationKnowledge Distillation TheoryKnowledge Graph Embedding ModelsKnowledge Graph FundamentalsKnowledge Integration in LLMsKolmogorov–Smirnov TestKolonnebaseret datarepræsentationKovarians og eigendecompositionKunstige immunsystemerL1, L2, and Elastic Net RegularizationLLM Failure ModesLabel Efficiency TechniquesLarge-Width Limit TheoryLatent Space GeometryLatent Space ReasoningLayer NormalizationLayer-wise Representation AnalysisLearning Curve AnalysisLeave-One-Out EncodingLighedsscorer for graferLightGBM ModelingLikelihood vs ProbabilityLimits of LLM GeneralizationLinear Algebra FoundationsLinear Algebra for Deep LearningLineær regression med PythonLineære TransformationerLink PredictionLinkprediktionLocal Outlier Factor AnalysisLogistisk regressionLoss Function Selection and ComparisonLow-Rank Matrix IntuitionMLOps FundamentalsManifold IntuitionManual Search MethodsMarkov Chain Monte CarloMarkov Chains in Generative ModelingMarkov Decision ProcessesMarkov Random FieldsMaskinlæring med scikit-learnMatematiske grundlag for opmærksomhedMathematical Formulation of GANsMathematical Foundations of Loss FunctionsMathematical OptimizationMatrix multiplication and transposition MatrixdekompositionMaximum-Margin SolutionsMean Field Theory in Neural NetworksMean-CenteringMembership FunctionsMetoder til Dynamisk ProgrammeringMinimum-Norm SolutionsModel BlendingModel Deployment with FastAPI and DockerModel EvaluationModel Evaluation and DiagnosticsModel Evaluation and GeneralizationModel InterpretabilityModel InterpretationModel Monitoring and CI/CDModel RegularizationModel Scaling ConceptsModel Selection UtilitiesModel-Based Drift DetectionModelfortolkningModelleringstræning og evalueringModeltræning og evalueringMomentum MethodsMonitoring Model DegradationMonte Carlo IntuitionMonte Carlo-teknikkerMulti-Head AttentionMultinomial DistributionMultiple integralsMultivariate AnalysisMultivariate chain rule NLP med TransformersNatural Language HandlingNatural Language ProcessingNeural Network Architecture AnalysisNeural Network Compression TheoryNeural Network TheoryNeural Tangent Kernel FormalismNeurale netværkNeuroevolutionNodeklassificeringNormalization (L1, L2, Max)Normed and Banach SpacesNull-håndtering i ArrowNumerical Representation AnalysisODE Formulations in Generative ModelsObjektdetekteringsmetoderOffline vs Online Evaluation ReasoningOne-Class SVM for Novelty DetectionOperator TheoryOptimization Constraints in Fine-TuningOptimization Dynamics in RLHFOptimization in Neural NetworksOutlier Detection FundamentalsOverfitting and RegularizationPAC Generalization BoundsPEFT Deployment ReasoningPEFT TheoryPGM Inference and LearningParameter Space GeometryPartial derivatives and gradients PartikelsværmsoptimeringPattern MiningPipeline Automation with AirflowPipeline CompositionPipeline ConstructionPipeline-opbygningPlatt ScalingPolicy UnderstandingPolynomial CodingPopulation Stability IndexPositional EncodingPositional Encoding ConceptsPositionel kodningPositive Definite KernelsPrecision-Accuracy Trade-offsPreprocessing PipelinesPrincipal Component Analysis TheoryPrincipal component analysis (PCA)Probabilistic Graphical ModelsProbabilistic Model CalibrationProbability Distributions IntuitionProbability in Loss FunctionsPrompt-Based GeneralizationPromptevalueringPromptforfiningPySpark Machine LearningPyTorch-grundlæggendePython-datastrukturerPython-implementering af TransformersPython-klassifikationsmodellerPython-programmeringQuantization Noise TheoryQuantization and Pruning MathematicsRAG Evaluation MetricsRAG Pipeline ArchitectureRAG System Design PatternsRIPPER AlgorithmRKHS FoundationsRademacher ComplexityReasoning over Knowledge GraphsRecommendation SystemsRecord Linkage TechniquesRegression AnalysisRegression Loss AnalysisRegression metrics (MSE, RMSE, MAE, R²) Regularization and Inductive BiasRegulatorisk bevidsthedReinforcement Learning FoundationsReliability DiagramsRepresenter TheoremReproducibility in ML WorkflowsReproducible Analysis HabitsReproducing PropertyRetrieval-Augmented Generation FundamentalsReward Model TheoryReward SystemsRisk Minimization TheoryRobust Model AssessmentRolle- og kontekstpromptingRule PruningRule Quality MetricsRule-Based ModelingRuleFit AlgorithmSampling StrategiesSampling Strategies in MLSandsynlighedsfordelingerSandsynlighedsreglerScaled Dot-Product AttentionScore MatchingSelf-Attention MechanismSelf-Attention-mekanismeSemantic Directions in LLMsSemantic Retrieval ConceptsSerieanalyseSolving linear systems Sparsity and Effective DimensionalitySpatial Joins and OverlaysSpatial OperationsSpectral Graph TheorySpectral TheoryStability–Plasticity Trade-OffsStandardizationStatistical Anomaly DetectionStatistical Drift MetricsStatistical InterpretationStatistiske MålStochastic Differential Equations (SDEs)Stochastic OptimizationStress Testing ML ModelsStruktureret outputdesignSubword Tokenization AlgorithmsSværmintelligensTF-IDF WeightingTaylor expansions Temporal ValidationTemporal-Difference LearningTensorFlow-grundlæggendeTeori om opmærksomhedsmekanismerTheoretical Deep Learning InsightsTheoretical Foundations of Zero-Shot GeneralizationTheoretical Limits of LearningTheoretical OverfittingTilfældige vandringer på graferTime Series AnalysisTime Series WindowingTokenization TheoryTrade-off Analysis in Model DesignTraining Dynamics in Mean Field RegimesTransfer Learning FundamentalsTransfer Learning in CVTransfer Learning in NLPTransformer Architecture TheoryTransformer AssemblyTransformer-arkitekturTransformereTree-Based ForecastingTriple Scoring FunctionsTuning af hyperparametreUdregning af outliersUncertainty-Based QueryingUnderstanding GAN VariantsUnderstanding Representation CollapseUniform ConvergenceVAE'erVC DimensionVariational Inference & ELBOVector Search TheoryVector Space ModelingVector and Raster Data HandlingVector operations and norms Vektorer & MatricerVocabulary OptimizationWeight-of-Evidence EncodingWhitening and DecorrelationWorkflow AutomationXAI Methods and ConceptsXGBoost Modelingscikit-learn API Usagescikit-learn Active Learning Implementationt-Norms and t-Conormst-test and z-test Application
Vis mereTag en kort quiz og kom tættere på dine mål!
80,000
Eleverne har allerede gennemført kurserne med succes og anvender deres færdigheder på arbejdspladsen
92%
Brugere finder vores kurser nyttige
Kurser
Kurser
Udforsk Data Science kurser og projekter
1 time
16 kapitler
2 timer 12 kapitler
2 timer 19 kapitler
2 timer 9 kapitler
5 timer 51 kapitler
2 timer 9 kapitler
2 timer 15 kapitler
2 timer 10 kapitler
2 timer 9 kapitler
2 timer 9 kapitler
2 timer 18 kapitler
3 timer 22 kapitler
Niveau
Lektionstype
Teknologier
kursus
MLOps Foundations
1 time 16 kapitlerBegynder
Opnåede færdigheder: MLOps Fundamentals, Experiment Tracking with MLflow, Model Deployment with FastAPI and Docker, Pipeline Automation with Airflow, Model Monitoring and CI/CD
kursus
Machine Learning for Time Series Forecasting
2 timer 12 kapitlerMellemniveau
Opnåede færdigheder: Time Series Windowing, Feature Engineering for TS, Tree-Based Forecasting, Gradient Boosting for TS, Temporal Validation, Forecasting Strategies, Model Evaluation and Diagnostics
kursus
Mastering scikit-learn API and Workflows
2 timer 19 kapitlerMellemniveau
Opnåede færdigheder: scikit-learn API Usage, Pipeline Composition, Data Preprocessing with Transformers, Model Selection Utilities, Estimator Introspection, Reproducibility in ML Workflows
kursus
Mathematical Foundations of Neural Networks
2 timer 9 kapitlerAvanceret
Opnåede færdigheder: Neural Network Theory, Linear Algebra for Deep Learning, Activation Function Analysis, Approximation Theory, Expressivity of Neural Networks
kursus
Mathematics for Data Science with Python
5 timer 51 kapitlerBegynder
Opnåede færdigheder: Functions & Sets, Series Analysis , Limits & Derivatives , Integrals , Gradient Descent , Vectors & Matrices , Linear Transformations , Matrix Decomposition , Probability Rules , Bayes' Theorem, Statistical Measures , Probability Distributions
kursus
Mean Field Theory for Neural Networks
2 timer 9 kapitlerAvanceret
Opnåede færdigheder: Mean Field Theory in Neural Networks, Distributional Analysis of Neural Networks, Large-Width Limit Theory, Training Dynamics in Mean Field Regimes, Theoretical Deep Learning Insights
kursus
Model Calibration with Python
2 timer 15 kapitlerMellemniveau
Opnåede færdigheder: Probabilistic Model Calibration, Reliability Diagrams, Calibration Metrics (ECE, MCE, Brier Score), Platt Scaling, Isotonic Regression, Histogram Binning, Applied Calibration Workflows
kursus
Neural Network Attention Mechanisms
2 timer 10 kapitlerAvanceret
Opnåede færdigheder: Attention Mechanisms Theory, Self-Attention Intuition, Multi-Head Attention Concepts, Transformer Architecture Understanding, Mathematical Foundations of Attention
kursus
Neural Networks Compression Theory
2 timer 9 kapitlerAvanceret
Opnåede færdigheder: Neural Network Compression Theory, Information Bottleneck and MDL, Quantization and Pruning Mathematics, Knowledge Distillation Theory, Entropy and Rate–Distortion Analysis, Compression Trade-off Reasoning
kursus
Neural Tangent Kernel Theory
2 timer 9 kapitlerAvanceret
Opnåede færdigheder: Infinite-Width Neural Network Theory, Gaussian Process Correspondence, Neural Tangent Kernel Formalism, Kernel Regression Dynamics, Critical Analysis of NTK Limitations
kursus
Optimization Methods in Machine Learning in Python
2 timer 18 kapitlerBegynder
Opnåede færdigheder: Mathematical Optimization, Gradient Descent, Convex Analysis, Stochastic Optimization, Momentum Methods, Adaptive Algorithms, Convergence Theory
kursus
Outlier and Novelty Detection in Python
3 timer 22 kapitlerMellemniveau
Opnåede færdigheder: Outlier Detection Fundamentals, Statistical Anomaly Detection, Isolation Forest Implementation, Local Outlier Factor Analysis, One-Class SVM for Novelty Detection, Algorithm Evaluation and Comparison
Codefinity fordele
KI-assisteret læring
Omfavn fascinationen for teknologiske færdigheder! Vores KI-assistent giver feedback i realtid, personlige hints og fejlforklaringer, så du trygt kan lære.
Arbejdsområder
Med arbejdsområder kan du oprette og dele projekter direkte på vores platform. Vi har forberedt skabeloner til din bekvemmelighed
Læringsstier
Tag kontrol over din karriereudvikling og start din rejse mod at mestre den nyeste teknologi
Virkelige projekter
Virkelige projekter løfter din portefølje og viser praktiske færdigheder, der imponerer potentielle arbejdsgivere
Hvorfor Codefinity skiller sig ud
Videomateriale
Downloadbare materialer
Ansete certifikater
Interaktivt læringsmiljø
Fejlrettelse
AI-assistent
Adgang til alt indhold med ét abonnement
Codefinity
Videobaserede læringsplatforme
Codefinity
Videobaserede læringsplatforme
Videomateriale
Downloadbare materialer
Ansete certifikater
Interaktivt læringsmiljø
Fejlrettelse
AI-assistent
Adgang til alt indhold med ét abonnement
KarrieremulighederLær om de mest populære erhverv, gennemsnitslønninger og virksomheder, der aktivt søger specialister inden for dette felt.
Dataforsker
Big Data Analytiker
NLP Ingeniør
Deep Learning Ingeniør
AI-Forsker
$149k
$197k
$246k
Min
Average
Max
Årlig løn
(Gennemsnit i USA)
Ansættende virksomheder
*Kilde: Glassdoor
Udvalgt af studerende fra de allerbedste skoler
Inkluderer 30 af de 30 allerbedste universiteter i USA.
Data Science-kurser: Nøgleinfo og spørgsmål
Introduktion til datavidenskabskurser
Vi tilbyder et bredt udvalg af kurser inden for alle aspekter af datavidenskab, herunder datavisualisering (som "Ultimate visualization with Python"), datamanipulation med Python (som "Ultimate NumPy" eller "Advanced Techniques in pandas"), SQL (som "Introduction to SQL") og maskinlæring (som "ML Introduction with scikit-learn" eller "Introduction to Neural Networks").
Fordele ved vores datavidenskabskurser
Vi tilbyder vores kunder et omfattende pensum, praktisk erfaring og undervisning fra eksperter.
Karrieremuligheder efter gennemførelse af datavidenskabskurser
Efter gennemførelse af et datavidenskabskursus kan du potentielt starte en karriere i en række datadrevne stillinger, herunder data scientist, dataanalytiker, maskinlæringsanalytiker, business intelligence-analytiker, dataingeniør m.fl.
Muligheder inden for datavidenskab
Vi tilbyder et bredt udvalg af kurser inden for alle aspekter af datavidenskab, herunder datavisualisering (som "Ultimate visualization with Python"), datamanipulation med Python (som "Ultimate NumPy" eller "Advanced Techniques in pandas"), SQL (som "Introduction to SQL") og maskinlæring (som "ML Introduction with scikit-learn" eller "Introduction to Neural Networks").
Certifikatinformation
Efter gennemførelse af et af vores datavidenskabsrelaterede kurser modtager du et certifikat, der dokumenterer dine færdigheder og din viden inden for datavidenskab.
Sådan vælger du det rette datavidenskabskursus
Du bør vurdere dine mål, tjekke forudsætninger og gennemgå pensum.
Hvilket kursus er bedst inden for datavidenskabskategorien?
Vi har mange gode kurser inden for datavidenskab, hvor vi især kan fremhæve "Advanced Techniques in pandas", "Ultimate Visualization with Python" og "ML Introduction with scikit-learn".
Hvorfor bør jeg overveje at tage et online datavidenskabskursus hos jeres virksomhed?
Vi tilbyder vores kunder et omfattende pensum, praktisk erfaring og undervisning fra eksperter.
Tips til succesfuld gennemførelse af datavidenskabskursus
Det er vigtigt at være organiseret, lære aktivt og øve sig regelmæssigt.
Hvad koster træning i datavidenskabskurser?
Vi tilbyder fleksible prisstrukturer. Vores Pro Plan starter ved 49 USD pr. måned eller 99 USD for tre måneder, med besparelser på vores Pro Annual Plan til 144 USD. Vores Ultimate Plan koster 59 USD pr. måned, 147 USD for tre måneder eller 299 USD årligt. Hver plan inkluderer adgang til ekspertudviklet indhold, interaktive udfordringer og certificering.
Hvilket datavidenskabskursus egner sig bedst til begyndere?
For begyndere kan gode muligheder være "Introduction to SQL" og "Pandas First Steps".
Hvilke nøglekompetencer kræves for at få succes inden for datavidenskab?
Det er en fordel at have grundlæggende programmeringserfaring og fundamentale matematiske kundskaber.
Hvordan adskiller datavidenskab sig fra maskinlæring?
Datavidenskab fokuserer på hele processen med at arbejde med data, mens maskinlæring er en underkategori af datavidenskab, der specifikt beskæftiger sig med udvikling og anvendelse af algoritmer, som gør det muligt for computere at lære af og forudsige ud fra data.
Hvilken indflydelse har datavidenskab på industrien?
Datavidenskab driver innovation og effektivitet på tværs af forskellige industrier ved at levere handlingsorienteret indsigt, forbedre beslutningstagning og optimere processer. For eksempel hjælper det virksomheder med at forstå markedstendenser, kundeadfærd og operationel effektivitet.
Er et datavidenskabskursus svært?
Sværhedsgraden kan variere afhængigt af din baggrund og kursets kompleksitet. Kurser med praktiske øvelser og støtte kan gøre læringsprocessen mere overkommelig. Grundlæggende forståelse for statistik og programmering kan lette sværhedsgraden.
Hvilken uddannelse kræves til datavidenskab?
Selvom en specifik uddannelse ikke altid er påkrævet, har mange data scientists uddannelser inden for områder som datalogi, statistik, matematik eller ingeniørvidenskab. Nogle stillinger kan kræve videregående uddannelser eller specialiserede certificeringer, men praktisk erfaring og færdigheder kan også være meget værdifulde.
Hvad siger vores brugere
Deltag 1.5+ millioner avancerer i AI og datafærdigheder hos Codefinity
Klar til at starte?
ProBedste introduktionstilbud$12 /mdÅrlig fakturering
500+ Topbedømte kurserAfslutningscertifikaterKI-assistent i alle kurser
40+ hands-on Real-world projectsPersonlige studievejeUbegrænsede arbejdsområderUltimateAlt du behøver for at booste din karriere$25 /mdÅrlig fakturering
500+ Topbedømte kurserAfslutningscertifikaterKI-assistent i alle kurser40+ hands-on Real-world projectsPersonlige studievejeUbegrænsede arbejdsområderTopkurser i Data Science kategori
1. | Introduktion til Maskinlæring med Python |  4 timer |  32 kapitler |
2. | Introduktion til neurale netværk med Python | 4 timer | 25 kapitler |
3. | Lineær Regression med Python | 2 timer | 19 kapitler |
4. | Klassifikation med Python | 3 timer | 24 kapitler |
5. | Klyngeanalyse med Python | 4 timer | 34 kapitler |
1. Introduktion til Maskinlæring med Python
Timer
Kapitler2. Introduktion til neurale netværk med Python
TimerKapitler3. Lineær Regression med Python
TimerKapitler4. Klassifikation med Python
TimerKapitler5. Klyngeanalyse med Python
TimerKapitlerRelaterede emner på bloggen
Artificial Intelligence
Machine Learning
by Artem HrechkaData Scientist, Ml Engineer
Data Science
Coding Foundations
Data Analytics
by Andrii ChornyiData Scientist, ML Engineer
Data Visualization
Data Analytics
Data Manipulation
Excel
by Anastasiia TsurkanBackend Developer
