Tutoriale de Data Science

Un ghid practic pentru testul Kruskal–Wallis – ce este, cum funcționează, când să-l folosiți în loc de ANOVA și cum să-l rulați și interpretați în Python și R.

Un ghid conceptual despre trucul cu kernel – ce este, cum permite SVM-urilor și altor modele pe bază de kernel să funcționeze și când să îl alegeți în locul altor abordări de modelare neliniară.

Aflați ce este o funcție obiectiv, cum funcționează în optimizare și învățare automată și cum să o definiți și interpretați cu exemple reale.

Un ghid practic despre seriile Maclaurin care acoperă formula de bază, dezvoltările uzuale, regulile de convergență și aplicațiile din lumea reală în metode numerice, fizică și machine learning.

GELU este o funcție de activare lină și probabilistică ce depășește alternativele mai simple, precum ReLU, în arhitecturile de deep learning și a devenit alegerea implicită în modelele de tip transformer, precum BERT și GPT.

Un ghid practic despre seriile geometrice care acoperă formulele pentru sume finite și infinite, condițiile de convergență și aplicații reale în finanțe, fizică și informatică.

Metoda lui Newton este un algoritm iterativ de găsire a rădăcinilor care folosește aproximații cu tangente pentru a se apropia de soluția ecuațiilor fără răspuns în formă închisă.

Testul U Mann-Whitney este un test neparametric bazat pe ranguri pentru compararea a două grupuri independente atunci când datele nu îndeplinesc presupunerea de normalitate cerută de testul t.

Un ghid pas cu pas pentru dezvoltarea după cofactori (dezvoltarea lui Laplace), care acoperă definițiile de bază, exemple lucrate, proprietăți-cheie și legătura cu inversa matricii prin matricea adjunctă.

Operatorul Laplacian este unul dintre cele mai utilizate instrumente matematice în machine learningul modern. Se află în spatele clusterizării spectrale, învățării pe varietăți, detecției muchiilor în imagini și algoritmilor pe grafuri.

O introducere practică în ecuațiile diferențiale care acoperă tipurile de bază, clasificarea, metodele analitice și numerice de rezolvare și rolul lor real în gradient descent, regresie și modelarea seriilor de timp.