Data Science Tutorials

Il metodo di Newton è un algoritmo iterativo per trovare radici che usa approssimazioni tramite tangenti per avvicinarsi alla soluzione di equazioni senza risposta in forma chiusa.

Scopri cos'è una funzione obiettivo, come funziona nell'ottimizzazione e nel machine learning, e come definirla e interpretarla con esempi reali.

Una guida passo passo allo sviluppo per cofattori (sviluppo di Laplace), con le definizioni fondamentali, esempi svolti, proprietà chiave e il collegamento all’inversione di matrici tramite la matrice aggiunta.

Scopri come usare la funzione SQL RANK() per assegnare classifiche alle righe, gestire i pari merito e confrontarla con DENSE_RANK() e ROW_NUMBER().

Un’introduzione pratica alle equazioni differenziali che copre tipologie principali, classificazione, metodi di soluzione analitici e numerici e il loro ruolo reale in gradient descent, regressione e modellazione di serie temporali.

GELU è una funzione di attivazione fluida e probabilistica che supera alternative più semplici come ReLU nelle architetture di deep learning, ed è diventata la scelta predefinita nei modelli transformer come BERT e GPT.

Scopri come usare il Name Manager di Excel per creare, modificare ed eliminare intervalli con nome e scrivere formule più pulite e facili da mantenere.

Padroneggia i calcoli del tempo in Excel. Applica formule pronte all’uso direttamente ai tuoi dati.

Questa guida ti accompagna in approcci sicuri basati su formule e opzioni di unione visiva per aiutarti a formattare i fogli di lavoro senza compromettere i dati.

Una guida che copre i controlli proattivi essenziali su replica, prestazioni e backup per mantenere la tua piattaforma dati solida e affidabile.

L'operatore laplaciano è uno degli strumenti matematici più usati nel machine learning moderno. È alla base del clustering spettrale, del manifold learning, del rilevamento dei bordi nelle immagini e degli algoritmi basati su grafi.

Il test U di Mann-Whitney è un test non parametrico basato sui ranghi per confrontare due gruppi indipendenti quando i dati non soddisfano l'assunzione di normalità richiesta dal t-test.