Stories, tutorials, and deep dives spanning across diverse worlds.
Stop using accuracy on imbalanced data: master Precision-Recall tradeoffs, F-beta scores, ROC-AUC vs PR-AUC, probability calibration (Brier score & Platt scaling), and threshold tuning.
不均衡データに対するaccuracyの使用をやめ、Precision-Recallトレードオフ、F-betaスコア、ROC-AUC対PR-AUC、確率キャリブレーション（BrierスコアとPlattスケーリング）、閾値調整を習得しましょう。
Ngừng sử dụng độ chính xác trên dữ liệu mất cân bằng: nắm vững đánh đổi Precision-Recall, điểm F-beta, ROC-AUC so với PR-AUC, hiệu chuẩn xác suất (điểm Brier & Platt scaling) và điều chỉnh ngưỡng.
Ditch Pandas memory bloat: accelerate data pipelines with Polars (Rust multi-threading, LazyFrames, Arrow) and DuckDB (in-process vectorized SQL, out-of-core Parquet streaming).
Pandasのメモリ肥大化を解消し、Polars（Rustマルチスレッド、LazyFrames、Arrow）とDuckDB（インプロセスベクトル化SQL、アウトオブコアParquetストリーミング）でデータパイプラインを高速化しましょう。
Bỏ qua Pandas ngốn bộ nhớ: tăng tốc các pipeline dữ liệu với Polars (đa luồng Rust, LazyFrames, Arrow) và DuckDB (SQL vector hóa trong tiến trình, streaming Parquet out-of-core).
Comprehensive benchmark of Polars vs Pandas on memory utilization, Apache Arrow integration, lazy query optimization, and multi-core CPU scaling.
PolarsとPandasのメモリ使用量、Apache Arrow統合、遅延クエリ最適化、マルチコアCPUスケーリングに関する包括的なベンチマーク。
So sánh toàn diện Polars và Pandas về mức sử dụng bộ nhớ, tích hợp Apache Arrow, tối ưu hóa truy vấn lazy và khả năng mở rộng CPU đa nhân.
I burned too many weekends on the wrong Python libraries so you don't have to. Here's what I actually use to ship things that stay working.
Showing 1-10 of 13 posts