- Wyzwania i rozwiązania, czyli jak wdrażać LLM w architekturze RAG
- Kolejny nabór do kursu "Wprowadzenie do Data Science z Python" - tylko przez 10 dni
- START przedsprzedaży kursu „Wprowadzenie do Data Science z Python” – kompleksowego wprowadzenia do analizy danych i modelowania
- Przegląd nowości od OpenAI - Spring Update 2024
- Prompt engineering - wprowadzenie
- Budowa modelu klasyfikacji obrazów z Fast.AI
- Darmowy poradnik: Uczenie maszynowe. Sekrety doboru odpowiedniego algorytmu
- Podsumowanie 1. edycji szkolenia "Wprowadzenie do Data Science z Python"
- Dlaczego warto poznać Linux?
- Jak zająłem 4 miejsce w konkursie Kaggle - case study
- Kaggle, Optuna i bardzo szybki las losowy
- ChatGPT - przełom
- Klasyfikacja z użyciem głębokiej sieci neuronowej
- Machine Learning w problemie scoringu – case study cz. 2
- Machine Learning w problemie scoringu – case study cz. 1
- Jak wczytać plik płaski w Python z pomocą biblioteki Pandas?
- Przeszczep nerki, drzewo decyzyjne i uczenie maszynowe bez komputera
- Świąteczne pierniki, Big Mac i ekonomia
- Historia pewnego procesu rekrutacyjnego
- 3 metody wykrywania obserwacji odstających w Python
- 3 metody analizy normalności rozkładu w Python
- Narzędzia z których korzystam - część 2
- Prezent dla nowych i obecnych subskrybentów bloga
- Narzędzia z których korzystam - część 1
- DSP 005: Transformacja zmiennych z użyciem WoE
- Scoring kredytowy z zastosowaniem XGBoost
- Darmowy poradnik: Uczenie maszynowe. Sekrety doboru odpowiedniego algorytmu
- DSP 004: Kategoryzacja zmiennych z użyciem drzewa decyzyjnego
- Eksploracyjna analiza danych w 5 krokach
- Jaki język programowania wybrać?
- DSP 003: Wybór odpowiedniego punktu odcięcia – metoda uwzględniająca założenia biznesowe
- Jak wybrać punkt odcięcia, bazując na uwarunkowaniach biznesowych?
- DSP 002: Wybór odpowiedniego punktu odcięcia - metoda "złotego środka"
- Prosty sposób na wybór odpowiedniego punktu odcięcia - praktyka
- Prosty sposób na wybór odpowiedniego punktu odcięcia
- DSP 001: Zapowiedź kanału YouTube - Data Science Plus
- Zaawansowana analityka, czyli o czym będę pisać przez najbliższe miesiące
- Wybór odpowiedniego algorytmu. Część 4 - algorytmy grupujące
- Segmentacja behawioralna klientów z użyciem metody RFM
- Jaki los czeka data scientistów?
- Wybór liczby segmentów w algorytmie k-średnich
- Ocena jakości modelu segmentacyjnego
- Jak ocenić potencjał zbioru przed grupowaniem?
- Grupowanie gęstościowe. Algorytm DBSCAN - praktyka
- Grupowanie gęstościowe. Algorytm DBSCAN - teoria
- Grupowanie zmiennych ciągłych - k-średnich vs k-modes
- K-prototypów - grupowanie zmiennych kategorycznych i ciągłych
- K-modes - grupowanie zmiennych kategorycznych
- K-median - alternatywa dla algorytmu k-średnich
- Data Science Plus - start nowego kanału na YouTube!
- Segmentacja pokemonów, czyli wpis z okazji Międzynarodowego Dnia Dziecka
- Binder - narzędzie do edycji notatników Jupyter
- 7 ograniczeń algorytmu k-średnich, o których warto wiedzieć
- Grupowanie iteracyjno-optymalizacyjne. Algorytm k-średnich - praktyka
- Grupowanie iteracyjno-optymalizacyjne. Algorytm k-średnich - teoria
- Grupowanie hierarchiczne - praktyka
- Wyniki konkursu i ankiety - idą zmiany!
- Grupowanie hierarchiczne - wprowadzenie teoretyczne
- Wstęp do problemu grupowania
- Konkurs + ankieta: zdecyduj o przyszłości bloga
- Blogi, które polecam
- Książki, które polecam
- Kategoryzacja zmiennych z użyciem drzewa decyzyjnego
- Kto wygra finał mistrzostw świata w piłce nożnej 2018?
- Przewidywanie defaultu wśród posiadaczy kart kredytowych
- 7 najczęstszych błędów w Data Science
- 5 sposobów na radzenie sobie z dużymi zbiorami danych w Python
- Jak przygotować model przed wdrożeniem do produkcji?
- 2 proste i skuteczne metody optymalizacji parametrów modelu
- Klasyfikacja wniosków o wydanie karty kredytowej
- 3 najlepsze ściągawki z bibliotek Python
- Jak przyspieszyć Pythona jedną linijką kodu?
- Przepowiednie wyroczni z Omaha
- Największy przeciwnik króla boksu
- 5 najciekawszych nowości z Microsoft Ignite 2017
- Pułapka Bayesa
- Python Data Science Handbook
- Jak w prosty sposób znaleźć się w czołówce rankingu wybranego konkursu na Kaggle?
- Wybór odpowiedniego algorytmu. Część 3 - algorytmy regresyjne
- Microsoft Azure User Group #15
- Warsaw Data Science Meetup #26 - maj 2017
- Wykorzystanie zbiorów rozmytych w silnikach rekomendacji
- Zaawansowana analityka w chmurze hybrydowej - darmowy webinar
- Jak działają sieci neuronowe?
- Relacja z Data Science Meetup #23 - luty 2017
- Wybór odpowiedniego algorytmu. Część 2 - algorytmy klasyfikacyjne
- Wybór odpowiedniego algorytmu. Część 1 - wprowadzenie
- Klasyfikacja pasażerów Titanica
- Niezbędnik każdego Data Scientist - Data Wrangling CheatSheet
- Jak działają algorytmy klasyfikacyjne?
- Narzędzia: Azure Machine Learning - jak zacząć?
- Dwie alternatywy dla listy top-n elementów w systemie rekomendacyjnym
- Silnik rekomendacji filmów
- Ściągawka z biblioteki ggplot2
- Relacja z październikowego Warsaw Data Science Meetup
- Zbiory rozmyte - wstęp
- Zastosowanie metod wspomagających podejmowanie decyzji
- Podejmowanie decyzji w warunkach niepewności
- Czym jest Data Science?
- Podejmowanie decyzji w oparciu o dane
Copyright © 2016 - 2023 MG Mateusz Grzyb | Strona używa plików cookies. Kontynuowanie przeglądania oznacza zgodę na ich użycie. | Polityka prywatności | Regulamin szkolenia