Data Science Tutorials

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.

En guide som täcker de viktigaste proaktiva kontrollerna inom replikering, prestanda och backup för att hålla din dataplattform robust och pålitlig.

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.

En praktisk översikt över regularisering i maskininlärning – vad det är, hur det fungerar och när du ska använda L1, L2 och Elastic Net för att bygga modeller som generaliserar.

En djupdykning i ResNet-arkitekturen som förklarar hur residualinlärning och hoppförbindelser löser problemen med försvinnande gradienter och degradering som gör det svårt att träna djupa neurala nätverk.

Lär dig hur du använder SQL-funktionen RANK() för att tilldela rankningar till rader, hantera delade placeringar och jämföra den med DENSE_RANK() och ROW_NUMBER().

Lär dig använda VLOOKUP() i Google Kalkylark för att söka, hitta och hämta data från stora datamängder på sekunder.

Lär dig finjustera NVIDIA Nemotron-3-Nano-4B på en psykologi-dataset för frågor och svar med ett RTX 3090‑GPU med LoRA och TRL efter att ha laddat ner modellen från Hugging Face.

Lär dig bygga en OpenAI-agentapp som körs i Modal Sandboxes, arbetar med filer, kör kod och returnerar resultat i den här praktiska Python-guiden.