Handledningar i data science

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.

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.

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

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.

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.

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

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.

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

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.

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

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