Hướng dẫn Khoa học Dữ liệu

Tìm hiểu phân phối xác suất rời rạc trong khoa học dữ liệu. Khám phá PMF, CDF và các loại chính như Bernoulli, Nhị thức và Poisson với ví dụ Python.

Trong hướng dẫn Docker này, tìm hiểu cách thiết lập, các lệnh Docker phổ biến, đóng gói ứng dụng máy học bằng Docker và các thực tiễn tốt nhất trong ngành.

Tìm hiểu vì sao cần ghi chép mã và các thực tiễn tốt nhất để thực hiện. Đồng thời, học cách tận dụng mô-đun Pydoc cho mục đích ghi chép.

Hiểu kỹ thuật chi phối nhiều lĩnh vực như toán học và vật lý, và hiểu tầm quan trọng của nó.

Khám phá những điều cơ bản về phân rã trị riêng và các ứng dụng của nó trong khoa học dữ liệu và học máy.

Vector riêng và giá trị riêng rất quan trọng để hiểu các phép biến đổi tuyến tính. Bài viết này trình bày diễn giải hình học, cách tính toán và vai trò của chúng trong học máy.

Tìm hiểu ensemble learning với Python. Hướng dẫn thực hành này bao gồm bagging vs boosting, Random Forest và XGBoost kèm ví dụ mã trên bộ dữ liệu thực.

Tăng cường kết quả học máy và khám phá ensemble trong R với gói SuperLearner: tìm hiểu thuật toán Random Forest, bagging, và nhiều hơn nữa!

Hiểu cách bất định trong phép đo ảnh hưởng đến kết quả tính toán và học các công thức, phương pháp để định lượng chúng qua nhiều phép toán khác nhau.

Tìm hiểu điều gì cấu thành một bài toán hồi quy và cách thuật toán hồi quy tuyến tính hoạt động trong Python.

Khám phá cách khoảng cách Euclid kết nối hình học cổ điển với thuật toán hiện đại, kèm ví dụ mã trong Python và R, và các ứng dụng của nó trong khoa học dữ liệu, học máy và phân tích không gian.

Sau khi đọc hướng dẫn này, bạn sẽ biết cách nhúng các script R & Python vào câu lệnh T-SQL và biết các kiểu dữ liệu được dùng để truyền dữ liệu giữa SQL & Python/R.