Hablemos de matemáticas (para científicos de datos)

Las matemáticas tienden a provocar emociones fuertes entre los profesionales con carreras centradas en datos. Algunas personas quieren convertirse en científicos de datos porque aman las matemáticas. Otros necesitan superar una ansiedad profundamente arraigada en torno a este tema antes de encontrar su lugar en la profesión; incluso entonces, podrían tratar de utilizar sus conocimientos matemáticos con la menor frecuencia posible.

Independientemente de su experiencia personal, esperamos que disfrute de esta colección de artículos que exploran la belleza (y la complejidad) de las matemáticas con pasión y paciencia. Van desde temas para principiantes hasta temas más avanzados, por lo que encontrará algo en lo que hincar el diente sin importar cuánto (o cuán poco) recuerde de su último campo de entrenamiento, curso universitario o, ¡jadeo!, Clase de secundaria .

• Una introducción accesible a la regresión logística . La estadística es el subcampo de las matemáticas que los científicos de datos encuentran con más frecuencia y, dentro de él, la regresión logística es uno de los conceptos clave que deben dominar. Si se encuentra en las primeras etapas de su viaje de aprendizaje, no se pierdala guía maravillosamente ilustrada de regreso a lo básico de Shreya Rao .
• ¿Perplejo por los granos? Ya no Las funciones del kernel, dice Shubham Panchal , son "hermosos conceptos matemáticos que se utilizan en el aprendizaje automático y las estadísticas con diferentes formas". Su versatilidad puede hacer que parezcan confusos, pero las explicaciones de Shubham lo ayudarán a ver claramente cómo usarlos en aplicaciones de aprendizaje automático.

• El reto de elegir el camino correcto . Si está lidiando con un problema difícil de optimización matemática, puede ser difícil saber qué tipo de enfoque es el más apropiado para el contexto. El explicador de Hennie de Harder nos guía a través del proceso de decidir entre algoritmos exactos (piense en programación lineal o de enteros mixtos) y heurísticas (como algoritmos genéticos y optimización de enjambre de partículas).
• Desempaque las complejidades de un acertijo de probabilidad clásico . Naman Agrawal nos invita a seguirlo mientras se propone resolver el problema del coleccionista de cupones, que puede "desafiar nuestra comprensión del mundo que nos rodea". En el camino, Naman también analiza la complejidad del problema y las diversas implicaciones para campos tan amplios como la informática y la economía.

• Antes de que realmente dejemos atrás las matemáticas, consulte el tutorial detallado de Bex T. sobre cómo crear arte fractal impresionante en Python .
• Yennie Jun echó un vistazo exhaustivo e inquebrantable a los datos detrás de la tendencia alarmante de prohibiciones de libros en los EE. UU.
• El aprendizaje automático se encuentra con la moda en la introducción de Federico Bianchi a FashionCLIP: una nueva visión y un modelo de lenguaje específicos del dominio.
• Con March Madness entrando en su (casi) tramo final, ahora es un buen momento para leer la explicación de Giovanni Malloy sobre cómo funcionan las clasificaciones NET del baloncesto universitario .
• Si su educación o carrera no siguió un camino típico, un trabajo de ciencia de datos aún está a su alcance : Madison Hunter explica cómo aprovechar al máximo una formación menos tradicional.

Hasta la próxima Variable,

Editores de TDS