Samouczki data science

Szczegółowy przegląd overfittingu i underfittingu w uczeniu maszynowym — jak rozpoznać każdy tryb błędu, dlaczego się pojawia i jak go naprawić poprzez kompromis bias-variance.

Praktyczny przewodnik po GLM-ach – czym są, jak działają ich trzy komponenty i jak je dopasować oraz interpretować w Pythonie i R.

Gradient clipping to jednolinijkowa poprawka treningu, która zapobiega eksplodującym gradientom niszczącym trenowanie głębokich sieci. Ten przewodnik omawia zasadę działania, dwie główne metody, dobór progu oraz implementacje w PyTorch i TensorFlow.

Przewodnik po Markov Chain Monte Carlo — jak działa, dlaczego się go używa, najczęstsze algorytmy i jak zastosować go w Pythonie do wnioskowania bayesowskiego.

Support Vector Regression to metoda regresji oparta na marginesie, która celowo ignoruje małe błędy, obsługuje nieliniowe zależności dzięki jądrze i dobrze sobie radzi na zaszumionych danych z rzeczywistego świata, gdzie standardowa regresja zawodzi.

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.