Kurs i Data Science
Data Science er fagfeltet som omgjør rådata til meningsfulle innsikter og intelligente beslutninger. I denne kategorien lærer du å samle inn, behandle, analysere, visualisere og modellere data ved hjelp av verktøy som Python, SQL, maskinlæring og BI-plattformer — og forbereder deg på virkelige utfordringer drevet av data.
4.5
Vurdert ut fra 582 anmeldelser.
7,515 LærlingerAllerede påmeldt
Tilegnede ferdigheter:
A/B Test DesignAI Transparency AwarenessARIMA ModelingActivation Function AnalysisActive Learning FundamentalsAdaptive AlgorithmsAdvanced ARIMA TechniquesAdvanced Ensemble IntegrationAdvanced Text CleaningAdversarial Training ConceptsAlgorithm Evaluation and ComparisonAlgoritmer for multi-armede banditterAlignment and Generalization RisksAnalyzing GAN Training ChallengesAnomaly detection evaluation Ansvarlighet i KIApplied Calibration WorkflowsApproximate InferenceApproximate ReasoningApproximation TheoryArrow-datamodellAttention Mechanisms TheoryAutomated Search with scikit-learnAutoregressive GenerationBackward Difference CodingBagging and Random ForestsBayesian NetworksBayesian OptimizationBayes’ teoremBegreper om datavernBehandling av tidsserier og sekvensielle dataBernoulli DistributionBias–Variance Trade-offs in High DimensionsBias–Variance TradeoffBildebehandling med OpenCVBoosting AlgorithmsBruk av PyArrow APIBruk av RNN i NLP-oppgaver (sentimentanalyse)Bygging av pipelinesCalibration Metrics (ECE, MCE, Brier Score)CatBoost ModelingCatastrophic Forgetting AnalysisCategorical Feature HandlingChain-of-thought promptingChi-Square AnalysisClassification Loss AnalysisClassification metrics (Accuracy, Precision, Recall, F1, ROC–AUC) Cloud Compute PatternsCloud Data Science WorkflowsCloud Mental ModelsCloud Networking ConceptsCloud Storage ArchitecturesClustering evaluation (Silhouette, Davies–Bouldin, Calinski–Harabasz) Coefficient VisualizationCommittee-Based QueryingCompactness and ConvergenceCompression Trade-off ReasoningConcentration of MeasureConditional IndependenceConjugate PriorsContinual Learning TheoryContinuity and BoundednessConvergence TheoryConvex AnalysisCoordinate Reference SystemsCorrelation AnalysisCritical Analysis of NTK LimitationsCross-validation techniquesCurse of DimensionalityDBSCAN: håndtering av støy og uregelmessige formerData Access PatternsData Leakage PreventionData Preprocessing with TransformersData StorytellingData Visualization with matplotlib and seabornDatainteroperabilitetDatanormalisering og avstandsmålDatapreprosesseringDataprosesseringDatatransformasjonDatavaskDeduplication AlgorithmsDegrees of TruthDensity-Weighted SamplingDeployment Best PracticesDescriptive StatisticsDeteksjon av uteliggereDeterminants and matrix rank Diffusion Model TheoryDiffusjonsmodellerDimensionality reduction evaluation DimensjonsreduksjonDirectional derivatives Distance CollapseDistributional Analysis of Neural NetworksDocument Chunking and IndexingDocument ClusteringDocument Similarity MeasuresDrift Detection FundamentalsEffective DocumentationEigenvalues and eigenvectors Empirical Risk MinimizationEncoding Leakage PreventionEnsemble Learning FundamentalsEntropy and CompressionEntropy and Rate–Distortion AnalysisEstimator IntrospectionEthical AI PrinciplesEtisk beslutningstakingEvaluation Under Distribution ShiftEvaluering av promptsEvalueringsmetrikker for generativ KIEvolusjonær optimaliseringExperiment Tracking with MLflowExperimental Data PreparationExplainable AI FundamentalsExploratory Data AnalysisExponential Family UnderstandingExpressivity of Neural NetworksFailure Analysis in RAGFailure Mode DiagnosisFairness in MLFeature Engineering for TSFeature ScalingFeature Selection MethodsFeature engineeringFeature-kodingFeature-seleksjonFeature-skaleringFew-shot promptingFine-tuning Pre-trained ModelsForbedring av promptsForecast Evaluation MetricsForecasting StrategiesFormal Preference ModelingForståelse av RNN, LSTM og GRUForståelse av transformerarkitekturFunctional Analysis FoundationsFunctional Analysis in MLFunksjoner og mengderFuzzy If–Then RulesFuzzy Inference SystemsFuzzy Logical OperatorsFuzzy Matching in PythonFuzzy SetsGAN FundamentalsGAN-erGaussian DistributionGaussian Mixture Models: sannsynlighetsbasert klyngeanalyseGaussian Process CorrespondenceGeneralization BoundsGeneralization in Learning TheoryGenerativ KIGenerative Model ConnectionsGenetiske algoritmerGeometric Implications for ML AlgorithmsGeometric InterpretabilityGeometric Intuition in High DimensionsGeospatial Data FundamentalsGeospatial VisualizationGradient Boosting for TSGradient DescentGradientnedstigningGrafrepresentasjon i PythonGrafteori for MLGraph LaplaciansGraph Representation in PythonGraphSAGE-konsepterGrenser og deriverteGrunnleggende KI-etikkGrunnleggende TensorFlowGrunnleggende om GymnasiumGrunnleggende om klyngeanalyse og algoritmerGrunnleggende om reinforcement learningGrunnleggende prinsipper for prompt engineeringHelhetlig modellutvikling og evalueringHelmert CodingHierarkisk klyngeanalyse og dendrogrammerHigh-Cardinality Feature EncodingHigh-Dimensional Data InterpretationHigh-Dimensional Geometry IntuitionHigh-Dimensional Statistical TheoryHilbert Spaces in LearningHistogram BinningHybrid Rule-Based SystemsHyperparameter TuningHyperparameter Tuning FundamentalsHyperparameterjusteringHyperparametertuningHypothesis TestingHåndtering av manglende og kategoriske dataIdentity and Access ManagementImplementering av rekursive nettverk i PyTorchImplicit Bias in Machine LearningImplicit Regularization in Deep NetworksImportance SamplingImputering av manglende verdierIn-Context Learning TheoryInductive BiasInductive Bias ReasoningInfinite-Width Neural Network TheoryInformation Bottleneck and MDLInformation Theory BasicsInformation Theory in NLPInformation-Theoretic LossesIntegralerInterpreting Generalization BoundsIntuisjon for grafinnleiringIntuisjon for selvoppmerksomhetIsolation Forest ImplementationIsotonic RegressionJacobian matrices Jupyter Notebook ProficiencyK-Means: prinsipper og optimalisering av klyngerKernel MethodsKernel Regression DynamicsKernel-based RegularizationKnowledge Distillation TheoryKnowledge Graph Embedding ModelsKnowledge Graph FundamentalsKnowledge Integration in LLMsKolmogorov–Smirnov TestKolonnebasert datarepresentasjonKonsepter for multi-head oppmerksomhetKonvolusjonelle nevrale nettverkKovarians og egenverdidekomponeringKunstige immunsystemerL1, L2, and Elastic Net RegularizationLLM Failure ModesLabel Efficiency TechniquesLarge-Width Limit TheoryLatent Space GeometryLatent Space ReasoningLayer-wise Representation AnalysisLearning Curve AnalysisLeave-One-Out EncodingLenkeprediksjonLightGBM ModelingLikelihood vs ProbabilityLikhetsskåring for graferLimits of LLM GeneralizationLinear Algebra FoundationsLinear Algebra for Deep LearningLineær regresjon med PythonLineære transformasjonerLink PredictionLocal Outlier Factor AnalysisLogistisk regresjonLoss Function Selection and ComparisonLow-Rank Matrix IntuitionMLOps FundamentalsManifold IntuitionManual Search MethodsMarkov Chain Monte CarloMarkov Chains in Generative ModelingMarkov Random FieldsMaskinlæring med scikit-learnMatematisk grunnlag for oppmerksomhetMathematical Formulation of GANsMathematical Foundations of Loss FunctionsMathematical OptimizationMatrisedekomponeringMatrix multiplication and transposition Maximum-Margin SolutionsMean Field Theory in Neural NetworksMean-CenteringMembership FunctionsMetoder for dynamisk programmeringMinimum-Norm SolutionsModel BlendingModel Deployment with FastAPI and DockerModel Evaluation and DiagnosticsModel Evaluation and GeneralizationModel InterpretabilityModel InterpretationModel Monitoring and CI/CDModel RegularizationModel Scaling ConceptsModel Selection UtilitiesModel-Based Drift DetectionModelltolkningModelltrening og evalueringMomentum MethodsMonitoring Model DegradationMonte Carlo IntuitionMonte Carlo-teknikkerMulti-Head AttentionMultinomial DistributionMultiple integralsMultivariate AnalysisMultivariate chain rule NLP med TransformersNaturlig språkbehandlingNaturlig språkprosesseringNeural Network Architecture AnalysisNeural Network Compression TheoryNeural Network TheoryNeural Tangent Kernel FormalismNeuroevolusjonNevrale nettverkNodeklassifiseringNormalization (L1, L2, Max)Normed and Banach SpacesNull-håndtering i ArrowODE Formulations in Generative ModelsObjektdeteksjonsmetoderOffline 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 PartikkelsvermoptimaliseringPattern MiningPipeline Automation with AirflowPipeline CompositionPipeline ConstructionPlatt ScalingPolynomial CodingPopulation Stability IndexPosisjonell kodingPositional Encoding ConceptsPositive Definite KernelsPreprocessing PipelinesPrincipal Component Analysis TheoryPrincipal component analysis (PCA)Prinsipper for åpenhetProbabilistic Graphical ModelsProbabilistic Model CalibrationProbability Distributions IntuitionProbability in Loss FunctionsPrompt-Based GeneralizationPyTorch-grunnleggendePython datastrukturerPython-implementering av TransformersPython-klassifiseringsmodellerPython-programmeringQuantization and Pruning MathematicsRAG Evaluation MetricsRAG Pipeline ArchitectureRAG System Design PatternsRIPPER AlgorithmRKHS FoundationsRademacher ComplexityRammeverk for ansvarlig KIReasoning over Knowledge GraphsRecord Linkage TechniquesRegression Loss AnalysisRegression metrics (MSE, RMSE, MAE, R²) Regularization and Inductive BiasRegulatorisk bevissthetReliability DiagramsRepresenter TheoremReproducibility in ML WorkflowsReproducible Analysis HabitsReproducing PropertyRetrieval-Augmented Generation FundamentalsRettferdighets- og skjevhetsanalyseReward Model TheoryRisk Minimization TheoryRobust Model AssessmentRolle- og kontekstbasert promptingRule PruningRule Quality MetricsRule-Based ModelingRuleFit AlgorithmSampling StrategiesSampling Strategies in MLSannsynlighetsfordelingerSannsynlighetsreglerScore MatchingSelf-Attention MechanismSelf-Attention-mekanismeSemantic Directions in LLMsSemantic Retrieval ConceptsSerieanalyseServerless and Event-Driven DesignSolving 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 ModelsStrukturert utformet outputSubword Tokenization AlgorithmsSvermintelligensTF-IDF WeightingTaylor expansions Temporal ValidationTemporal-difference-læringTeori om oppmerksomhetsmekanismerTheoretical Deep Learning InsightsTheoretical Foundations of Zero-Shot GeneralizationTheoretical Limits of LearningTheoretical OverfittingTilfeldige 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-arkitekturTransformereTree-Based ForecastingTriple Scoring FunctionsUncertainty-Based QueryingUnderstanding GAN VariantsUnderstanding Representation CollapseUniform ConvergenceVAE-erVC DimensionVariational Inference & ELBOVector Search TheoryVector Space ModelingVector and Raster Data HandlingVector operations and norms Vektorer og matriserVocabulary 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 merTa en kort quiz og kom nærmere dine mål!
80,000
Studentene har allerede fullført kursene med suksess og bruker ferdighetene sine i arbeidslivet
92%
Brukerne finner kursene våre nyttige
Kurs
Kurs
Bla gjennom Data Science kurs og prosjekter
4 timer
25 kapitler
4 timer 32 kapitler
5 timer 29 kapitler
2 timer 16 kapitler
2 timer 19 kapitler
3 timer 24 kapitler
4 timer 34 kapitler
3 timer 22 kapitler
1 time 9 kapitler
5 timer 51 kapitler
1 time 12 kapitler
3 timer 20 kapitler
Nivå
Leksjonstype
Teknologier
kurs
Introduksjon til nevrale nettverk med Python
4 timer 25 kapitlerAvansert
3 STUDERER NÅ
Tilegnede ferdigheter: Nevrale nettverk, Modelltrening og evaluering, Dataprosessering, Hyperparameterjustering, Maskinlæring med scikit-learn
kurs
Introduksjon til maskinlæring med Python
4 timer 32 kapitlerMiddelsnivå
7 STUDERER NÅ
Tilegnede ferdigheter: Maskinlæring med scikit-learn, Modelltrening og evaluering, Hyperparametertuning
kurs
Introduksjon til NLP med Python
5 timer 29 kapitlerAvansert
1 STUDERER NÅ
Tilegnede ferdigheter: Naturlig språkprosessering, Naturlig språkbehandling
kurs
Introduksjon til TensorFlow
2 timer 16 kapitlerMiddelsnivå
1 STUDERER NÅ
Tilegnede ferdigheter: Grunnleggende TensorFlow, Nevrale nettverk, Python datastrukturer, Dataprosessering
kurs
Lineær Regresjon med Python
2 timer 19 kapitlerMiddelsnivå
Tilegnede ferdigheter: Lineær regresjon med Python, Modelltrening og evaluering
kurs
Klassifisering med Python
3 timer 24 kapitlerMiddelsnivå
1 STUDERER NÅ
Tilegnede ferdigheter: Python-programmering, Python-klassifiseringsmodeller, Logistisk regresjon, Datapreprosessering, Modelltrening og evaluering, Hyperparametertuning
kurs
Klyngeanalyse med Python
4 timer 34 kapitlerMiddelsnivå
Tilegnede ferdigheter: Grunnleggende om klyngeanalyse og algoritmer, Håndtering av manglende og kategoriske data, Datanormalisering og avstandsmål, K-Means: prinsipper og optimalisering av klynger, Hierarkisk klyngeanalyse og dendrogrammer, DBSCAN: håndtering av støy og uregelmessige former, Gaussian Mixture Models: sannsynlighetsbasert klyngeanalyse
kurs
Rekursive Nevrale Nettverk med Python
3 timer 22 kapitlerMiddelsnivå
1 STUDERER NÅ
Tilegnede ferdigheter: Forståelse av RNN, LSTM og GRU, Implementering av rekursive nettverk i PyTorch, Behandling av tidsserier og sekvensielle data, Bruk av RNN i NLP-oppgaver (sentimentanalyse), Helhetlig modellutvikling og evaluering
kurs
Grunnleggende Prompt Engineering
1 time 9 kapitlerNybegynner
4 STUDERER NÅ
Tilegnede ferdigheter: Grunnleggende prinsipper for prompt engineering, Rolle- og kontekstbasert prompting, Few-shot prompting, Chain-of-thought prompting, Strukturert utformet output, Forbedring av prompts, Evaluering av prompts
kurs
Matematikk for Datavitenskap
5 timer 51 kapitlerNybegynner
5 STUDERER NÅ
Tilegnede ferdigheter: Funksjoner og mengder, Serieanalyse, Grenser og deriverte, Integraler, Gradientnedstigning, Vektorer og matriser, Lineære transformasjoner, Matrisedekomponering, Sannsynlighetsregler, Bayes’ teorem, Statistiske mål, Sannsynlighetsfordelinger
kurs
Dataprosessering og Feature Engineering
1 time 12 kapitlerNybegynner
4 STUDERER NÅ
Tilegnede ferdigheter: Datavask, Imputering av manglende verdier, Deteksjon av uteliggere, Feature-koding, Feature-skalering, Datatransformasjon, Feature engineering, Feature-seleksjon, Bygging av pipelines
kurs
Pytorch Essentials
3 timer 20 kapitlerAvansert
1 STUDERER NÅ
Tilegnede ferdigheter: PyTorch-grunnleggende, Nevrale nettverk, Modelltrening og evaluering
Fordeler med Codefinity
KI-assistert læring
Omfavn fascinasjonen for teknologiske ferdigheter! Vår KI-assistent gir sanntidstilbakemelding, personlige hint og forklaringer på feil, slik at du kan lære med selvtillit.
Arbeidsområder
Med arbeidsområder kan du opprette og dele prosjekter direkte på plattformen vår. Vi har forberedt maler for din bekvemmelighet
Læringsspor
Ta kontroll over din karriereutvikling og start din vei mot å mestre de nyeste teknologiene
Reelle prosjekter
Reelle prosjekter løfter porteføljen din, og viser praktiske ferdigheter som imponerer potensielle arbeidsgivere
Hvorfor Codefinity skiller seg ut
Videoinnhold
Nedlastbare materialer
Ansete sertifikater
Interaktivt læringsmiljø
Feilretting
AI-assistent
Tilgang til alt innhold med ett abonnement
Codefinity
Videobaserte læringsplattformer
Codefinity
Videobaserte læringsplattformer
Videoinnhold
Nedlastbare materialer
Ansete sertifikater
Interaktivt læringsmiljø
Feilretting
AI-assistent
Tilgang til alt innhold med ett abonnement
KarrieremuligheterLær om de mest populære yrkene, gjennomsnittslønningene og selskapene som aktivt søker spesialister i dette feltet.
Dataforsker
Big Data Analytiker
NLP-Ingeniør
Deep Learning-Ingeniør
AI-Forsker
$149k
$197k
$246k
Min
Average
Max
Årslønn
(Gjennomsnitt i USA)
Ansettende selskaper
*Kilde: Glassdoor
Utvalgt av studenter fra de fremragende skolene
Inkludert 30 av de 30 fremragende universitetene i USA.
Kurs i Data Science: Nøkkelinformasjon og spørsmål
Introduksjon til datavitenskapskurs
Vi tilbyr et bredt utvalg av kurs innen alle aspekter av datavitenskap, inkludert datavisualisering (som "Ultimate visualization with Python"), datamanipulering 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").
Fordeler med våre datavitenskapskurs
Vi tilbyr våre kunder en omfattende læreplan, praktisk erfaring og ekspertinstruktører.
Karrieremuligheter etter fullføring av datavitenskapskurs
Etter å ha fullført et datavitenskapskurs kan du potensielt starte en karriere i ulike datadrevne stillinger, inkludert data scientist, dataanalytiker, maskinlæringsanalytiker, business intelligence-analytiker, dataingeniør osv.
Alternativer innen datavitenskap
Vi tilbyr et bredt utvalg av kurs innen alle aspekter av datavitenskap, inkludert datavisualisering (som "Ultimate visualization with Python"), datamanipulering 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").
Informasjon om sertifikat
Etter å ha fullført et av våre datavitenskapsrelaterte kurs, vil du motta et sertifikat som bekrefter dine ferdigheter og kunnskaper innen datavitenskap.
Hvordan velge riktig datavitenskapskurs?
Du bør vurdere dine mål, sjekke forkunnskapskrav og gjennomgå læreplanen.
Hvilket kurs er best innen kategorien datavitenskapskurs?
Vi har flere gode kurs innen datavitenskap, blant annet "Advanced Techniques in pandas", "Ultimate Visualization with Python" og "ML Introduction with scikit-learn".
Hvorfor bør jeg vurdere å ta et nettbasert datavitenskapskurs hos deres selskap?
Vi tilbyr våre kunder en omfattende læreplan, praktisk erfaring og ekspertinstruktører.
Tips for vellykket gjennomføring av datavitenskapskurs
Det er viktig å være organisert, lære aktivt og øve regelmessig.
Hva koster opplæring i datavitenskapskurs?
Vi tilbyr fleksible prisalternativer. Vår Pro Plan starter på 49 dollar per måned eller 99 dollar for tre måneder, med besparelser på vår Pro Annual Plan til 144 dollar. Vår Ultimate Plan koster 59 dollar per måned, 147 dollar for tre måneder eller 299 dollar årlig. Hver plan inkluderer tilgang til innhold utarbeidet av eksperter, interaktive utfordringer og sertifisering.
Hvilket datavitenskapskurs passer best for nybegynnere?
For nybegynnere kan gode alternativer være "Introduction to SQL" og "Pandas First Steps".
Hvilke nøkkelferdigheter kreves for å lykkes innen datavitenskap?
Du bør ha grunnleggende programmeringserfaring og fundamental matematisk kunnskap.
Hvordan sammenlignes datavitenskap med maskinlæring?
Datavitenskap omfatter hele prosessen med å arbeide med data, mens maskinlæring er en underkategori av datavitenskap som spesifikt handler om å utvikle og anvende algoritmer som gjør det mulig for datamaskiner å lære av og gjøre prediksjoner basert på data.
Hvilken innvirkning har datavitenskap på industrien?
Datavitenskap driver innovasjon og effektivitet på tvers av ulike bransjer ved å gi handlingsrettede innsikter, forbedre beslutningstaking og optimalisere prosesser. For eksempel hjelper det virksomheter med å forstå markedstrender, kundeadferd og operasjonell effektivitet.
Er et datavitenskapskurs vanskelig?
Vanskelighetsgraden kan variere avhengig av din bakgrunn og kursets kompleksitet. Kurs som tilbyr praktisk trening og støtte kan gjøre læringsprosessen mer håndterbar. Grunnleggende forståelse av statistikk og programmering kan gjøre det lettere.
Hvilken utdanning trenger du for datavitenskap?
Selv om en spesifikk grad ikke alltid er nødvendig, har mange data scientists grader innen fag som informatikk, statistikk, matematikk eller ingeniørfag. Noen stillinger kan kreve avanserte grader eller spesialiserte sertifiseringer, men praktisk erfaring og ferdigheter er også svært verdifulle.
Hva Våre Brukere Sier
Bli med 1.5+ millioner utvikler AI- og datakunnskaper hos Codefinity
Klar til å starte?
ProBeste introduksjonstilbud$12 /månedFakturert årlig
250+ topprangerte kursFullføringssertifikaterKI-assistent i alle kurs
40+ hands-on Real-world projectsPersonlige studieløpUbegrensede arbeidsområderUltimateAlt du trenger for å styrke karrieren din$25 /månedFakturert årlig
250+ topprangerte kursFullføringssertifikaterKI-assistent i alle kurs40+ hands-on Real-world projectsPersonlige studieløpUbegrensede arbeidsområderToppkurs i Data Science kategori
1. | Introduksjon til nevrale nettverk med Python |  4 timer |  25 kapitler |
2. | Introduksjon til maskinlæring med Python | 4 timer | 32 kapitler |
3. | Introduksjon til NLP med Python | 5 timer | 29 kapitler |
4. | Introduksjon til TensorFlow | 2 timer | 16 kapitler |
5. | Lineær Regresjon med Python | 2 timer | 19 kapitler |
1. Introduksjon til nevrale nettverk med Python
Timer
Kapitler2. Introduksjon til maskinlæring med Python
TimerKapitler3. Introduksjon til NLP med Python
TimerKapitler4. Introduksjon til TensorFlow
TimerKapitler5. Lineær Regresjon med Python
TimerKapitlerRelaterte emner på bloggen
Data Analytics
Data Science
by Kyryl SidakData Scientist, ML Engineer
Artificial Intelligence
Machine Learning
by Artem HrechkaData Scientist, Ml Engineer
Artificial Intelligence
Exploring IT Professions
Machine Learning
by Andrii ChornyiData Scientist, ML Engineer
