Handledningar i data science

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.

En praktisk guide till geometriska serier som täcker formlerna för ändlig och oändlig summa, konvergensvillkor och verkliga tillämpningar inom finans, fysik och datavetenskap.

GELU är en mjuk, probabilistisk aktiveringsfunktion som överträffar enklare alternativ som ReLU i deep learning-arkitekturer och har blivit standardvalet i transformer-modeller som BERT och GPT.

Newtons metod är en iterativ rotfinningsalgoritm som använder tangentapproximationer för att närma sig lösningen på ekvationer som saknar sluten form.

Mann-Whitney U-testet är ett rangbaserat ickeparametriskt test för att jämföra två oberoende grupper när data inte uppfyller normalitetsantagandet som krävs av t-testet.

Utforska hur polynomregression hjälper till att modellera icke-linjära samband och förbättra prediktionsnoggrannheten i verkliga datasätt.

Lär dig vad ett normalitetstest är, varför det spelar roll och hur du använder vanliga test som Shapiro–Wilk, Kolmogorov–Smirnov och visuella metoder för att kontrollera dina data + exempel i Python och R.

En steg-för-steg-guide till kofaktorexpansion (Laplace-expansion) som täcker kärndefinitioner, genomarbetade exempel, nyckeleegenskaper och dess koppling till matrisinversion via den adjungerade matrisen.

En praktisk introduktion till differentialekvationer som täcker huvudtyper, klassificering, analytiska och numeriska lösningsmetoder samt deras roll i verkligheten i gradientnedstigning, regression och tidsseriemodellering.

Laplaceoperatorn är ett av de mest använda matematiska verktygen i modern maskininlärning. Den ligger bakom spektral klustring, mångfaldsinlärning, detektion av bildkanter och grafbaserade algoritmer.