Samouczki data science

Praktyczny przewodnik po teście Kruskala-Wallisa — czym jest, jak działa, kiedy stosować go zamiast ANOVY oraz jak go uruchomić i interpretować w Pythonie i R.

Koncepcyjny przewodnik po sztuczce z jądrem – czym jest, jak umożliwia działanie SVM i innych modeli jąderkowych oraz kiedy wybrać ją zamiast innych podejść do modelowania nieliniowego.

Dowiedz się, czym jest funkcja celu, jak działa w optymalizacji i uczeniu maszynowym oraz jak ją definiować i interpretować na realnych przykładach.

Praktyczny przewodnik po szeregach geometrycznych obejmujący wzory na sumy skończone i nieskończone, warunki zbieżności oraz zastosowania w finansach, fizyce i informatyce.

GELU to gładka, probabilistyczna funkcja aktywacji, która przewyższa prostsze alternatywy, takie jak ReLU, w architekturach głębokiego uczenia i stała się domyślnym wyborem w modelach transformatorowych, takich jak BERT i GPT.

Praktyczny przewodnik po szeregu Maclaurina: podstawowy wzór, typowe rozwinięcia, zasady zbieżności oraz zastosowania w metodach numerycznych, fizyce i uczeniu maszynowym.

Metoda Newtona to iteracyjny algorytm znajdowania miejsc zerowych, który wykorzystuje aproksymacje stycznymi, aby zbliżać się do rozwiązania równań bez postaci domkniętej.

Test U Manna-Whitneya to nieparametryczny test oparty na rangach do porównywania dwóch niezależnych grup, gdy nie jest spełnione założenie normalności wymagane przez test t.

Przewodnik krok po kroku po rozwinięciu według dopełnień (rozwinięciu Laplace’a), obejmujący kluczowe definicje, przykłady, najważniejsze własności oraz związek z odwracaniem macierzy poprzez macierz dołączoną.

Dowiedz się, jak aproksymacje wielomianowe wspierają spadek gradientowy, XGBoost i funkcje, które Państwa komputer oblicza na co dzień.

Operator Laplasjana to jedno z najczęściej używanych narzędzi matematycznych we współczesnym ML. Stoi za klasteryzacją spektralną, uczeniem na rozmaitościach, detekcją krawędzi na obrazach i algorytmami grafowymi.

Poznaj, jak regresja wielomianowa pomaga modelować nieliniowe zależności i poprawiać trafność prognoz w rzeczywistych zbiorach danych.