Μάθετε το Polars, τη βιβλιοθήκη DataFrame γραμμένη σε Rust που τρέχει 5-30 φορές πιο γρήγορα από το Pandas. Πλήρης οδηγός 2026 με lazy evaluation, streaming engine, expressions και πρακτικά παραδείγματα μετάβασης από Pandas.
Μάθετε τις βασικές τεχνικές feature engineering στην Python με Pandas, Scikit-Learn 1.8 και Feature-engine 1.9. Πρακτικός οδηγός με κώδικα για encoding, scaling, pipelines και αυτοματοποιημένη μηχανική χαρακτηριστικών.
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.