Tutorial Data Science

Tutorial untuk pemula yang menunjukkan cara kerja kontrol versi Git dan mengapa ini penting untuk proyek data science.

Panduan praktis untuk uji Kruskal-Wallis—apa itu, cara kerjanya, kapan menggunakannya alih-alih ANOVA, serta cara menjalankan dan menafsirkannya di Python dan R.

Panduan konseptual tentang kernel trick—apa itu, bagaimana ia memungkinkan SVM dan model berbasis kernel lainnya, serta kapan menggunakannya dibanding pendekatan lain untuk pemodelan nonlinier.

Pelajari apa itu fungsi objektif, cara kerjanya dalam optimasi dan machine learning, serta cara mendefinisikan dan menafsirkannya dengan contoh nyata.

Panduan praktis tentang deret geometri yang mencakup rumus jumlah hingga dan tak hingga, kondisi konvergensi, dan penerapan dunia nyata di keuangan, fisika, dan ilmu komputer.

GELU adalah fungsi aktivasi yang mulus dan probabilistik yang mengungguli alternatif yang lebih sederhana seperti ReLU dalam arsitektur deep learning, dan telah menjadi pilihan default pada model transformer seperti BERT dan GPT.

Metode Newton adalah algoritme pencarian akar iteratif yang menggunakan pendekatan garis singgung untuk mendekati solusi dari persamaan yang tidak memiliki jawaban bentuk tertutup.

Uji Mann-Whitney U adalah uji nonparametrik berbasis peringkat untuk membandingkan dua kelompok independen ketika data tidak memenuhi asumsi kenormalan yang disyaratkan uji t.

Jelajahi bagaimana regresi polinomial membantu memodelkan hubungan nonlinier dan meningkatkan akurasi prediksi pada dataset dunia nyata.

Panduan langkah demi langkah untuk ekspansi kofaktor (ekspansi Laplace), mencakup definisi inti, contoh terperinci, sifat-sifat kunci, dan keterkaitannya dengan invers matriks melalui matriks adjugat.

Operator Laplacian adalah salah satu alat matematika yang paling banyak digunakan dalam machine learning modern. Ia berada di balik spectral clustering, manifold learning, deteksi tepi citra, dan algoritma berbasis graf.

Pengantar praktis persamaan diferensial yang mencakup tipe inti, klasifikasi, metode solusi analitik dan numerik, serta perannya di dunia nyata dalam gradient descent, regresi, dan pemodelan deret waktu.