Handledningar i data science

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.

En guide till Markovkedje–Monte Carlo – hur det fungerar, varför det används, de vanligaste algoritmerna och hur du tillämpar det i Python för Bayesiansk inferens.

Support Vector Regression är en marginalbaserad regressionsmetod som avsiktligt ignorerar små fel, hanterar icke-linjära samband genom kärnor och står pall för brusiga data från verkligheten där standardregression inte räcker till.

En praktisk guide till Kruskal–Wallis-testet – vad det är, hur det fungerar, när du ska välja det framför ANOVA och hur du kör och tolkar det i Python och R.

En begreppsguide till kerneltricket – vad det är, hur det möjliggör SVM:er och andra kernelbaserade modeller, och när du ska använda det framför andra angreppssätt för icke‑linjär modellering.

Lär dig vad en målfunktion är, hur den fungerar i optimering och maskininlärning, och hur du definierar och tolkar den med riktiga exempel.