07:31

Zadawaj dobre pytania! Rachunek prawdopodobieństwa się nie myli

26:13

Rozpoznawanie obiektów na obrazie i redukcja wymiaru, czyli segmentacja i autoenkodery

08:01

Sieć neuronowa słabo się uczy? Techniki regularyzacyjne

11:48

Sieci konwolucyjne do przetwarzania obrazów

24:50

Generowanie danych. Maszyna Boltzmana i Gaussian Mixture Model

13:48

Sztuka zadawania dobrych pytań: Drzewa Decyzyjne i Lasy Losowe

10:34

Grupowanie na grafach. Metoda Louvain

10:58

Modele pamięci. Sieci neuronowe Hopfielda

11:22

Rozpoznawanie twarzy, czyli klasyfikacja za pomocą SVM. Miary oceny modelu

06:03

Jak znaleźć butelkę z trucizną (pytania na rozmowie kwalifikacyjnej)

11:48

Dlaczego wysoki wymiar danych może być problemem? Klątwa wymiarowości

11:24

Znasz kategorie? To może LDA zamiast PCA?

15:56

Redukcja wymiaru za pomocą PCA

13:01

Redukcja liczby cech. Selekcja i ekstrakcja

14:16

Losowe przypisanie wartości. Jak duża jest szansa, że trafisz?

15:08

Jak wykres może zniekształcać dane?

12:39

Jak zmierzyć niepewność? Entropia i jej pochodne

10:30

Jak porównywać teksty? Techniki wektorowe, TF-IDF

16:53

Odległość niejedno ma imię. Fundamentalne znaczenie metryki w analizie danych

14:37

Grupowanie danych. K-means

15:25

Jaka jest najlepsza odpowiedź na zapytanie? Algorytm PageRank

09:56

Procenty - niby znamy, a jednak się nabieramy

19:59

Rozkłady danych rzeczywistych. Metoda największej wiarygodności

24:29

Który rozkład opisuje moje dane? Metoda momentów

18:11

Estymacja punktowa, estymatory obciążone i nieobciążone

14:37

Wszystkie drogi prowadzą do normalności (Centralne Twierdzenie Graniczne)

15:05

Python w analizie danych (seaborn)

13:54

Co poszło nie tak? Model nie działa, a dane wyciekają!

24:30

Fundamentalne znaczenie logarytmów. Prawo Benforda

22:38

Rekurencyjne sieci neuronowe w analizie szeregów czasowych

28:29

Modele szeregów czasowych (ARIMA)

22:48

Zasada Pareto (dowód)

12:03

Regresja liniowa, nieliniowa i zamiana zmiennych (kod Python)

08:07

Parametry rozkładów a statystyki z próby. Wstęp do estymacji parametrów

22:38

Dlaczego rozkład normalny jest tak ważny? Fakty, które zaskakują!

17:27

Jak zmierzyć satysfakcję? Paradoksy wyborów

17:01

Prawa, które rządzą danymi

17:41

Regresja liniowa w ujęciu statystycznym

19:30

Chaos i porządek, determinizm a losowość

14:36

Python w analizie danych (networkx)

17:26

Szeregi czasowe - wprowadzenie. Funkcja autokorelacji (ACF) i cząstkowej autokorelacji (PACF)

15:19

Przewidywanie przyszłości? Szeregi czasowe w praktyce

15:29

Dlaczego nasi znajomi mają więcej znajomych niż my? Teoria grafów w sieciach społecznościowych

11:34

Python w analizie danych (scipy)

16:00

Czy dane mogą kłamać? Manipulacja statystyką w praktyce

13:23

Python w analizie danych (torch)

11:30

W krainie funkcji średnich

12:49

Transformacje danych. Standaryzacja i normalizacja

12:03

Python w analizie danych (matplotlib)

02:32

Statystyka opisowa. Praktyczny przewodnik po miarach statystycznych - kontynuacja

13:44

Statystyka opisowa. Praktyczny przewodnik po miarach statystycznych

31:52

Wnioskowanie statystyczne. Czym jest p-value?

04:23

Jak i gdzie zacząć pisać kod w Python?

15:57

Python w analizie danych (pandas)

15:58

Python w analizie danych (numpy)

15:10

Dostrajanie parametrów modelu. Optymalizator Adam

16:10

Sieć neuronowa może zamodelować wszystko? Teoretycznie tak, ale...

10:48

Czy model czegoś się nauczył? Parametry i hiperparametry, rola zbioru walidacyjnego

13:17

Wizualizacja danych i wyników. Dlaczego to takie ważne?

11:26

Przewidywanie bez cech? Co odpowiedzą funkcje kosztu MSE/MAE?