Data Science Tutorials

Узнайте, как полиномиальная регрессия помогает моделировать нелинейные зависимости и повышать точность прогнозов на реальных данных.

Метод Ньютона — итерационный алгоритм поиска корней, использующий аппроксимации касательной прямой, чтобы приблизиться к решению уравнений без замкнутой формулы.

Узнайте, что такое целевая функция, как она работает в оптимизации и машинном обучении, и как её определять и интерпретировать на реальных примерах.

Узнайте, как использовать функцию SQL RANK() для присвоения рейтингов строкам, обработки ничьих и сравнения с DENSE_RANK() и ROW_NUMBER().

Практический обзор регуляризации в машинном обучении: что это такое, как работает и когда использовать L1, L2 и Elastic Net, чтобы строить модели, которые обобщают.

GELU — плавная вероятностная функция активации, которая превосходит более простые альтернативы вроде ReLU в глубоких архитектурах и стала стандартом в трансформерах, таких как BERT и GPT.

Подробный разбор архитектуры ResNet: как остаточное обучение и пропускающие соединения решают проблемы затухающих градиентов и деградации, мешающие обучению глубоких нейросетей.

Узнайте, как использовать разговорную аналитику — новую функцию BigQuery Studio на базе Gemini — чтобы создавать интеллектуальных дата-агентов для запросов на естественном языке.

Практическое введение в дифференциальные уравнения: основные типы и классификация, аналитические и численные методы решения и их реальная роль в градиентном спуске, регрессии и моделировании временных рядов.

Освойте вычисления времени в Excel. Применяйте готовые формулы прямо к своим данным.

В этом руководстве вы найдете безопасные подходы на основе формул и варианты визуального слияния, чтобы оформить листы и не повредить данные.

Узнайте, как использовать VLOOKUP() в Google Таблицах, чтобы за секунды искать, находить и подтягивать данные из больших наборов.