Πλήρης οδηγός ανάλυσης χρονοσειρών με Python, pandas 3.0 και statsmodels. Καλύπτει DatetimeIndex, resampling, rolling averages, αποδόμηση εποχικότητας, ARIMA, SARIMA και lag features για μηχανική μάθηση — με παραδείγματα κώδικα που τρέχουν.
Πρακτικός οδηγός στατιστικής ανάλυσης στην Python με SciPy 1.17 και statsmodels 0.14.6. Περιγραφική στατιστική, κατανομές, έλεγχοι υποθέσεων (t-test, ANOVA, χ²), γραμμική παλινδρόμηση OLS και ανάλυση συσχέτισης με πλήρη παραδείγματα κώδικα.
Μάθε NumPy 2.4 στην Python με πρακτικά παραδείγματα: δημιουργία πινάκων ndarray, indexing, broadcasting, γραμμική άλγεβρα, vectorization και τα νέα χαρακτηριστικά της έκδοσης 2.4 (2026).
Πλήρης οδηγός μηχανικής μάθησης στην Python με scikit-learn 1.8: παλινδρόμηση, ταξινόμηση, Pipelines, XGBoost, LightGBM, hyperparameter tuning και ολοκληρωμένο end-to-end παράδειγμα πρόβλεψης έγκρισης δανείου.
Πλήρης οδηγός οπτικοποίησης δεδομένων στην Python με Matplotlib και Seaborn. Πρακτικά παραδείγματα κώδικα, νέα Matplotlib 3.10, βέλτιστες πρακτικές προσβασιμότητας, διαδραστικές βιβλιοθήκες (Plotly, Bokeh, Altair) και ένα πλήρες dashboard project.
Πρακτικός οδηγός καθαρισμού και προεπεξεργασίας δεδομένων στην Python. Μάθετε τεχνικές για missing values, outliers, method chaining με pandas, scikit-learn pipelines και pyjanitor.
Πλήρης οδηγός για το pandas 3.0 με Copy-on-Write, νέο string dtype με PyArrow, pd.col() εκφράσεις στηλών, αλλαγές ημερομηνιών και βήμα-βήμα οδηγίες μετάβασης με πρακτικά παραδείγματα.
Επιλέξτε τη γλώσσα σας για να εξερευνήσετε το περιεχόμενό μας