0da0c34 6g9ytnxjy.jpeg

¿Te sientes inspirado para escribir tu primera publicación de TDS? .

Los principios fundamentales de las matemáticas que los científicos de datos utilizan en su trabajo diario pueden haber existido durante siglos, pero eso no significa que debamos abordar el tema como si solo lo aprendiéramos una vez y luego almacenaramos nuestro conocimiento en algún lugar. polvoriento ático mental. Los enfoques prácticos, las herramientas y los casos de uso evolucionan todo el tiempo, y con ellos surge la necesidad de mantenerse actualizado.

Esta semana, estamos encantados de compartir una sólida lista de lecturas obligatorias recientes sobre matemáticas y estadísticas, que cubren una amplia gama de preguntas y aplicaciones. Desde aprovechar conjuntos de datos (muy) pequeños hasta presentar regresiones lineales de formas accesibles y atractivas, estamos seguros de que encontrará algo nuevo y útil para explorar. ¡Vamos a sumergirnos!

  • Ensayos n de 1 y análisis de sus propios datos de fitness
    La idea detrás de los estudios N-de-1 es que se pueden extraer conocimientos significativos incluso cuando los datos que se utilizan se basan en aportaciones de una sola persona. Tiene un potencial de gran alcance para diseñar estrategias de atención sanitaria individualizadas o, en el caso de Merete LutzEs un proyecto fascinante que establece conexiones significativas entre el consumo de alcohol y la calidad del sueño.
  • ¿Qué tan confiables son realmente sus pronósticos de series temporales?
    Hacer predicciones a largo plazo es fácil; haciendo preciso las predicciones a largo plazo lo son, bueno, menos. Bradley Stephen Shaw Recientemente compartimos una guía útil para ayudarlo a determinar el horizonte de confiabilidad de sus pronósticos mediante el uso efectivo de validación cruzada, visualización y pruebas de hipótesis estadísticas.
  • Creación de una aplicación matemática con agentes LangChain
    A pesar de los grandes avances que han logrado los LLM en los últimos años, las matemáticas siguen siendo un área con la que tienen dificultades. En su último tutorial práctico, Tahreem Rasul analiza los desafíos que enfrentamos cuando intentamos hacer que estos modelos ejecuten operaciones matemáticas y estadísticas, y describe una solución para crear una aplicación matemática basada en LLM utilizando agentes LangChain, OpenAI y Chainlit.
Foto por Chloe Frost-Smith en desempaquetar
  • Una prueba del teorema del límite central
    Siempre es un placer ver cómo un concepto abstracto toma forma concreta y, a lo largo del camino, se vuelve mucho más accesible e intuitivo para los alumnos. Eso es precisamente lo que Fecha de Sachin logra en su última inmersión profunda, que nos muestra el funcionamiento interno del teorema del límite central, «uno de los teoremas más fascinantes y de mayor alcance de la ciencia estadística», a través del ejemplo de… ¡dulces!
  • 8 argumentos para explicar la regresión lineal a un profano
    Incluso si usted, un científico de datos profesional o un ingeniero de ML, comprende plenamente las implicaciones de sus análisis estadísticos, es probable que muchos de sus colegas y otras partes interesadas no lo hagan. Aquí es donde las visualizaciones potentes pueden marcar una gran diferencia, ya que Conor O’Sullivan lo demuestra con ocho gráficos diferentes de residuos, pesos, efectos y SHAP que explican los modelos de regresión lineal de manera efectiva.