Handledningar i data science

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.

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.