Samouczki data science

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.

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.

Praktyczne wprowadzenie do równań różniczkowych obejmujące kluczowe typy, klasyfikację, metody rozwiązywania analityczne i numeryczne oraz ich realną rolę w spadku gradientowym, regresji i modelowaniu szeregów czasowych.

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

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.

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.

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.

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

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.

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

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