Tutorial di Data Science

Scopri come una pipeline MLOps end-to-end prevede i risultati dei Mondiali 2026, dal retraining automatico e DVC a una simulazione Monte Carlo del tabellone con 10.000 iterazioni.

La stima della densità con kernel è un metodo non parametrico per stimare la forma di una distribuzione dei dati senza assumere un modello fisso. Scopri la formula, la scelta della larghezza di banda e l’implementazione pratica in Python e R.

Guida pratica alla regressione a spline: come polinomi a tratti e nodi modellano relazioni non lineari, i principali tipi di spline e come adattarle in Python e R.

Una guida pratica alle assunzioni alla base della regressione logistica, alle diagnostiche che rilevano violazioni in Python e R e alle alternative da usare quando le assunzioni non tengono.

Una guida dettagliata su overfitting e underfitting nel machine learning, inclusi come identificare ciascuna modalità di errore, perché accade e come risolverla tramite il trade-off bias-varianza.

Una guida pratica ai GLM: cosa sono, come funzionano insieme i loro tre componenti e come adattarli e interpretarli in Python e R.

Il gradient clipping è una correzione da una riga che impedisce agli exploding gradients di rovinare l'addestramento di reti neurali profonde. Questa guida spiega come funziona, i due metodi principali di clipping, la scelta della soglia e l'implementazione in PyTorch e TensorFlow.

Una guida al Markov Chain Monte Carlo — come funziona, perché si usa, gli algoritmi più comuni e come applicarlo in Python per l'inferenza bayesiana.

La Support Vector Regression è un metodo di regressione basato su margini che ignora intenzionalmente gli errori piccoli, gestisce relazioni non lineari tramite kernel e regge bene su dati rumorosi del mondo reale, dove la regressione standard mostra i suoi limiti.

Scopri come usare il test ANOVA per confrontare le medie di più gruppi con esempi chiari, applicazioni reali e consigli pratici per l’analisi dei dati.

Scopri come interpretare l’r quadrato aggiustato per valutare le prestazioni dei modelli di regressione. Confronta la differenza tra r quadrato e r quadrato aggiustato con esempi in R e Python.

Scopri i componenti chiave del modello ARIMA, come costruirlo e ottimizzarlo per previsioni accurate in Python, ed esplora le sue applicazioni in vari settori.