Data Science Tutorials

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

Bemästra tidsberäkningar i Excel. Använd färdiga formler direkt på dina egna data.

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.

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.

Utforska enkla formler, moderna Excel-funktioner och nyare AI-verktyg för att räkna ord i Excel.

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 för att sätta upp pgAdmin 4 och PostgreSQL med Docker Compose, som täcker containerkonfiguration, serverregistrering och pgAdmins kärnfunktioner inklusive Query Tool, schemabläddrare och backup/återställning.

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

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 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.

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