Tutoriels sur la science des données

Guide pratique du test de Kruskal-Wallis : définition, fonctionnement, cas d’usage face à l’ANOVA, exécution et interprétation sous Python et R.

Un guide conceptuel du kernel trick : ce que c’est, comment il permet aux SVM et à d’autres modèles à noyau de traiter le non-linéaire, et quand le préférer à d’autres approches.

Découvrez ce qu’est une fonction objectif, comment elle fonctionne en optimisation et en apprentissage automatique, et comment la définir et l’interpréter avec des exemples concrets.

Un guide pratique des séries géométriques couvrant les formules de somme finie et infinie, les conditions de convergence et des applications concrètes en finance, physique et informatique.

La méthode de Newton est un algorithme itératif de recherche de racines qui exploite les tangentes pour se rapprocher de la solution d'équations sans forme fermée.

GELU est une fonction d’activation lisse et probabiliste qui surpasse des alternatives plus simples comme ReLU dans les architectures profondes, et s’est imposée comme le choix par défaut dans les transformers comme BERT et GPT.

Guide pratique des séries de Maclaurin : formule clé, développements usuels, règles de convergence et applications concrètes en calcul numérique, physique et machine learning.

Le test de Mann-Whitney U est un test non paramétrique basé sur les rangs pour comparer deux groupes indépendants lorsque les données ne respectent pas l’hypothèse de normalité requise par le t-test.

Découvrez comment les approximations polynomiales alimentent la descente de gradient, XGBoost et les fonctions que votre ordinateur calcule au quotidien.

Découvrez comment la régression polynomiale modélise les relations non linéaires et améliore la précision des prédictions sur des données réelles.

Une introduction pratique aux équations différentielles : types clés, classification, méthodes analytiques et numériques, et leur rôle concret dans la descente de gradient, la régression et la modélisation de séries temporelles.

L’opérateur laplacien est l’un des outils mathématiques les plus utilisés en machine learning moderne. Il est au cœur du clustering spectral, de l’apprentissage de variétés, de la détection de contours et des algorithmes sur graphes.