Tutoriels sur la science des données

Le gradient clipping est un correctif d'entraînement en une ligne qui empêche l'explosion des gradients de ruiner l'entraînement des réseaux profonds. Ce guide explique son fonctionnement, ses deux méthodes, le choix du seuil et son implémentation sous PyTorch et TensorFlow.

Un guide de Markov Chain Monte Carlo : fonctionnement, cas d'usage, algorithmes courants et mise en pratique en Python pour l'inférence bayésienne.

La Support Vector Regression est une méthode à marge qui ignore volontairement les petites erreurs, gère la non-linéarité via des noyaux et reste robuste sur des données réelles bruitées là où la régression classique montre ses limites.

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.

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.

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.

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.

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

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.

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.

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.