Tutorial di Data Science

Scopri cos’è una matrice aumentata, come rappresenta i sistemi di equazioni e come usare le operazioni di riga per risolverli.

Scopri cos'è un grafico dei residui, come interpretare i pattern comuni e come i grafici dei residui aiutano a individuare non linearità, eteroschedasticità, outlier e altri problemi di regressione.

Scopri cosa sono minimi e massimi, come differiscono estremi locali e globali e come trovarli usando punti critici, test della prima e seconda derivata e il metodo dell'intervallo chiuso.

Scopri cos'è una matrice invertibile, come stabilire se una matrice è invertibile e perché le inverse sono importanti in algebra lineare e data science.

Scopri come SARIMA estende ARIMA per gestire la stagionalità, comprendi i suoi sette parametri e costruisci un modello funzionante in Python dalla raccolta dati al forecasting.

Capire perché si verificano relazioni spurie, dai confondenti al bias di campionamento, è ciò che distingue una vera scoperta da una coincidenza statistica.

Un tutorial per principianti che mostra come funziona il controllo di versione Git e perché è fondamentale per i progetti di data science.

Scopri come una pipeline MLOps end-to-end prevede i risultati dei Mondiali 2026, dal retraining automatico e DVC a una simulazione Monte Carlo del tabellone con 10.000 iterazioni.

La stima della densità con kernel è un metodo non parametrico per stimare la forma di una distribuzione dei dati senza assumere un modello fisso. Scopri la formula, la scelta della larghezza di banda e l’implementazione pratica in Python e R.

Guida pratica alla regressione a spline: come polinomi a tratti e nodi modellano relazioni non lineari, i principali tipi di spline e come adattarle in Python e R.

Una guida pratica alle assunzioni alla base della regressione logistica, alle diagnostiche che rilevano violazioni in Python e R e alle alternative da usare quando le assunzioni non tengono.

Una guida dettagliata su overfitting e underfitting nel machine learning, inclusi come identificare ciascuna modalità di errore, perché accade e come risolverla tramite il trade-off bias-varianza.