Handledningar i data science

Lär dig vad minima och maxima är, hur lokala och globala extremvärden skiljer sig, och hur du hittar dem med kritiska punkter, första och andra derivatans test samt slutna-intervallmetoden.

Lär dig vad en inverterbar matris är, hur du avgör om en matris är inverterbar och varför matrisinverser är viktiga i linjär algebra och data science.

Lär dig hur SARIMA utökar ARIMA för att hantera säsongsbundenhet, förstå dess sju parametrar och bygg en fungerande modell i Python från datainsamling till prognoser.

Att veta varför falska samband uppstår, från störfaktorer till urvalsbias, är det som skiljer ett verkligt fynd från en statistisk slump.

En nybörjarhandledning som visar hur versionshantering i Git fungerar och varför den är avgörande för datavetenskapsprojekt.

Se hur en end-to-end MLOps-pipeline förutspår resultaten i VM 2026 – från automatisk omträning och DVC till en Monte Carlo-simulering av hela slutspelsträdet med 10 000 körningar.

Kärntäthetsestimering är en icke-parametrisk metod för att uppskatta formen på en datafördelning utan att anta en fast modell. Lär dig formeln, bandbreddsval och praktisk implementering i Python och R.

En praktisk guide till splineregression, som täcker hur styckvisa polynom och knutar modellerar icke-linjära samband, de viktigaste splinetyperna och hur man passar dem i Python och R.

En praktisk genomgång av antagandena bakom logistisk regression, diagnostiken som fångar överträdelser i Python och R, och alternativen att ta till när antagandena inte håller.

En detaljerad genomgång av overfitting och underfitting inom maskininlärning, inklusive hur du identifierar varje feltyp, varför den uppstår och hur du åtgärdar den genom bias-variance-avvägningen.

En praktisk guide till GLM:er – vad de är, hur deras tre komponenter samverkar och hur du anpassar och tolkar dem i Python och R.

Gradient clipping är en justering på en rad i träningsslingan som förhindrar att exploderande gradienter förstör träningen av djupa neurala nätverk. Den här guiden förklarar hur det fungerar, de två huvudsakliga klippningsmetoderna, hur du väljer tröskel och implementering i PyTorch och TensorFlow.