Data Science Tutorials

Il flow matching allena modelli generativi a trasformare il rumore in dati imparando un campo vettoriale che muove i campioni lungo un percorso di probabilità scelto, la stessa idea alla base dei continuous normalizing flows e dei moderni modelli di diffusione.

Scopri come configurare l'estensione Kimi per il browser usando Kimi Work e Kimi Code CLI ed eseguire una ricerca prodotti che estrae risultati strutturati da un sito web.

Scopri cosa significa auto-miglioramento ricorsivo nell’IA, come i sistemi di IA possono aiutare a sviluppare un’IA migliore, quanto i modelli attuali sono vicini all’RSI e perché il concetto conta per capacità e sicurezza dell’IA.

Il deep reinforcement learning combina il ciclo di tentativi ed errori dell'apprendimento per rinforzo con reti neurali che generalizzano attraverso spazi di stato enormi.

Scopri la differenza tra variabili esogene ed endogene, perché l'endogeneità conta per l'inferenza causale e la regressione, e come identificare e affrontare le variabili endogene.

Scopri come rimuovere la formattazione in Excel usando lo strumento Cancella formati, scorciatoie e altri metodi, mantenendo intatti i tuoi dati.

Segui questo tutorial sull’API GPT-Live-1 per creare un assistente vocale per l’apprendimento full‑duplex con WebRTC nel browser, delega al backend, ricerca web e azioni confermate.

Scopri come la correlazione per ranghi di Spearman cattura relazioni che curvano, si appiattiscono o cambiano ritmo invece di seguire una linea retta. Impara a calcolarla, interpretarla e applicarla in Python, R ed Excel.

Una guida pratica alla revisione di pull request di data science in Python con Claude Code, GitHub e ultrareview.

Il causal machine learning combina ML e inferenza causale per andare oltre la previsione e stimare cosa succede quando intervieni. Questo articolo copre concetti chiave, metodi, strumenti Python ed errori comuni.

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.