Parliamo di matematica (per data scientist)

La matematica tende a suscitare forti emozioni tra i professionisti con carriere incentrate sui dati. Alcune persone vogliono diventare data scientist perché amano la matematica. Altri hanno bisogno di superare un'ansia profondamente radicata intorno a questo argomento prima di trovare una base nella professione; anche allora, potrebbero mirare a usare le loro conoscenze matematiche il più raramente possibile.

Indipendentemente dalla tua esperienza personale, ci auguriamo che questa raccolta di articoli che esplorano la bellezza (e la complessità) della matematica con passione e pazienza ti piaccia. Vanno da argomenti adatti ai principianti ad argomenti più avanzati, quindi troverai qualcosa in cui affondare i denti, non importa quanto (o quanto poco) ricordi del tuo ultimo campo di addestramento, corso universitario o, sussulto!, classe di scuola superiore .

• Un'introduzione accessibile alla regressione logistica . La statistica è il sottocampo della matematica che i data scientist incontrano più frequentemente e, al suo interno, la regressione logistica è uno dei concetti chiave che devono padroneggiare. Se sei nelle prime fasi del tuo viaggio di apprendimento, non perdertila guida di ritorno alle origini meravigliosamente illustrata di Shreya Rao .
• Perplesso dai kernel? Non più . Le funzioni del kernel, afferma Shubham Panchal , sono "bellissimi concetti matematici che vengono utilizzati nell'apprendimento automatico e nelle statistiche con forme diverse". La loro versatilità può farli sembrare confusi, ma le spiegazioni di Shubham ti aiuteranno a vedere chiaramente come usarli nelle applicazioni ML.

• La sfida di scegliere la strada giusta . Se hai a che fare con un difficile problema di ottimizzazione matematica, sapere quale tipo di approccio è il più contestualmente appropriato può essere difficile. La spiegazione di Hennie de Harder ci guida attraverso il processo di decisione tra algoritmi esatti (si pensi alla programmazione lineare o a numeri interi misti) ed euristici (come algoritmi genetici e ottimizzazione dello sciame di particelle).
• Disimballare le complessità di un classico puzzle di probabilità . Naman Agrawal ci invita a seguirlo mentre si propone di risolvere il problema del collezionista di coupon, che può "sfidare la nostra comprensione del mondo che ci circonda". Lungo la strada, Naman discute anche la complessità del problema e le varie implicazioni per campi in lungo e in largo come l'informatica e l'economia.

• Prima di lasciarci davvero alle spalle la matematica, dai un'occhiata al tutorial dettagliato di Bex T. sulla creazione di un'incredibile arte frattale in Python .
• Yennie Jun ha esaminato in modo approfondito e risoluto i dati alla base dell'allarmante tendenza dei divieti di libri negli Stati Uniti
• L'apprendimento automatico incontra la moda nell'introduzione di Federico Bianchi a FashionCLIP: un nuovo modello di visione e linguaggio specifico per dominio.
• Con March Madness che sta entrando nel suo tratto (quasi) finale, ora è il momento giusto per leggere la spiegazione di Giovanni Malloy su come funzionano le classifiche NET del basket universitario .
• Se la tua istruzione o carriera non ha seguito un percorso tipico, un lavoro di data science è ancora a portata di mano : Madison Hunter spiega come sfruttare al meglio un background meno tradizionale.

Fino alla prossima variabile,

Redattori TDS