数据科学教程

详细讲解机器学习中的过拟合与欠拟合，包括如何识别各自的失效模式、成因，以及通过偏差-方差权衡进行修复的方法。

梯度裁剪是一行训练级修复，能防止梯度爆炸破坏深度神经网络训练。本文介绍其工作原理、两种主要方法、阈值选择，以及在 PyTorch 和 TensorFlow 中的实现。

MCMC 指南——涵盖其工作原理、应用理由、常见算法，以及如何在 Python 中用于贝叶斯推断。

支持向量回归是一种基于边界的回归方法，它有意忽略小误差，通过核函数处理非线性关系，并能在嘈杂的真实世界数据上表现稳健，而标准回归在这方面往往力有不逮。

一步步讲解代数余子式（拉普拉斯）展开，涵盖核心定义、示例演算、关键性质，以及它通过伴随矩阵与矩阵求逆的联系。

一份微分方程的实用入门，涵盖核心类型、分类方法、解析与数值求解技术，以及它们在梯度下降、回归与时间序列建模中的现实作用。

GELU 是一种平滑、具有概率特性的激活函数，在深度学习架构中优于 ReLU 等更简单的替代方案，并已成为诸如 BERT 和 GPT 等 Transformer 模型的默认选择。

一份关于等比级数的实用指南，涵盖有限与无限求和公式、收敛条件，以及其在金融、物理与计算机科学中的实际应用。

一份关于核技巧的概念指南——它是什么、如何赋能 SVM 与其他核方法，以及在何时优先于其他非线性建模方法使用。

Kruskal-Wallis 检验实用指南——它是什么、如何工作、何时优于 ANOVA，以及如何在 Python 和 R 中运行与解读。

一份关于麦克劳林级数的实用指南，涵盖核心公式、常见展开、收敛规则，以及在数值方法、物理和机器学习中的实际应用。

Mann-Whitney U 检验是一种基于秩的非参数检验，用于在数据不满足 t 检验所需正态性假设时比较两个独立组。