The Machine Learning “Advent Calendar” Bonus 2: Gradient Descent Variants in Excel
梯度下降、动量、RMSProp 和 Adam 都以相同的最小值为目标。他们不会改变目的地，只会改变路径。每种方法都增加了一种机制，可以修复前一种方法的局限性，使移动更快、更稳定或更自适应。目标保持不变。更新变得更加智能。机器学习“降临日历”奖励 2：Excel 中的梯度下降变体一文首先出现在走向数据科学上。
The Machine Learning “Advent Calendar” Bonus 1: AUC in Excel
AUC 衡量模型将正数排在负数之上的程度，与任何选定的阈值无关。机器学习“降临日历”奖励 1：Excel 中的 AUC 帖子首先出现在《走向数据科学》上。
The Machine Learning “Advent Calendar” Day 24: Transformers for Text in Excel
直观、逐步地了解 Transformers 如何使用自注意力将静态词嵌入转换为上下文表示，并通过简单的示例和 Excel 友好的演练进行说明。机器学习“降临日历”第 24 天：Excel 中文本的 Transformers 帖子首先出现在《走向数据科学》上。
9 Excel Tools For Professionals (And How To Use Them)
Excel 是一个电子表格工具，许多领域的专业人士都使用它来进行数据分析和可视化。如果您的工作涉及处理大量数据，您可以使用 Excel 工具执行简单的计算、跟踪信息并对数据进行排序。 Excel 拥有许多功能强大的工具，可实现各种功能，使您的工作更轻松、更快，并且 [...]后 9 个适用于专业人员的 Excel 工具（以及如何使用它们）首先出现在 FlashLearners 上。
The Machine Learning “Advent Calendar” Day 23: 1D CNN for Text in Excel
用于文本的分步 1D CNN，内置于 Excel，其中每个过滤器、权重和决策都是完全可见的。机器学习“降临日历”第 23 天：Excel 中用于文本的 1D CNN 帖子首先出现在走向数据科学上。
The Machine Learning “Advent Calendar” Day 21: Gradient Boosted Decision Tree Regressor in Excel
带有决策树的函数空间中的梯度下降机器学习“降临日历”第 21 天：Excel 中的梯度提升决策树回归器首先出现在走向数据科学上。
The Machine Learning “Advent Calendar” Day 20: Gradient Boosted Linear Regression in Excel
从随机集成到优化：梯度提升解释机器学习“降临日历”第 20 天：Excel 中的梯度提升线性回归一文首先出现在《走向数据科学》上。
The Machine Learning “Advent Calendar” Day 22: Embeddings in Excel
通过简单模型和 Excel 了解文本嵌入机器学习“降临日历”第 22 天：Excel 中的嵌入一文首先出现在《迈向数据科学》上。
The Machine Learning “Advent Calendar” Day 19: Bagging in Excel
从 Excel 中的基本原理理解集成学习机器学习“降临日历”第 19 天：Excel 中的装袋一文首先出现在《迈向数据科学》上。
The Machine Learning “Advent Calendar” Day 18: Neural Network Classifier in Excel
通过显式公式理解前向传播和反向传播机器学习“降临日历”第 18 天：Excel 中的神经网络分类器一文首先出现在《走向数据科学》上。
The Machine Learning “Advent Calendar” Day 17: Neural Network Regressor in Excel
神经网络通常感觉就像黑匣子。在本文中，我们仅使用 Excel 公式从头开始构建神经网络回归器。通过明确从前向传播到反向传播的每一步，我们展示了神经网络如何学习仅用少量参数来逼近非线性函数。机器学习“降临日历”第 17 天：Excel 中的神经网络回归器一文首先出现在《走向数据科学》上。
The Machine Learning “Advent Calendar” Day 15: SVM in Excel
本文不是从边距和几何形状开始，而是从熟悉的模型逐步构建支持向量机。通过改变损失函数并重新使用正则化，SVM 自然地表现为经过优化训练的线性分类器。这种观点将逻辑回归、SVM 和其他线性模型统一到一个单一的、连贯的框架中。机器学习“降临日历”第 15 天：Excel 中的 SVM 帖子首先出现在走向数据科学上。
The Machine Learning “Advent Calendar” Day 16: Kernel Trick in Excel
核 SVM 通常感觉很抽象，包含核、对偶公式和支持向量。在这篇文章中，我们走了一条不同的路。从核密度估计开始，我们逐步将核 SVM 构建为局部钟声的总和，通过铰链损失进行加权和选择，直到仅保留基本数据点。机器学习“降临日历”第 16 天：Excel 中的核技巧首先出现在《走向数据科学》上。
The Machine Learning “Advent Calendar” Day 14: Softmax Regression in Excel
Softmax 回归只是扩展到多个类别的 Logistic 回归。通过计算每个类别的一个线性分数并使用 Softmax 对其进行归一化，我们在不改变核心逻辑的情况下获得多类别概率。损失、梯度和优化保持不变。只是并行分数的数量增加。在 Excel 中实现，模型变得透明：您可以看到分数、概率以及系数如何随时间变化。机器学习“降临日历”日帖子14：Excel 中的 Softmax 回归首先出现在《Towards Data Science》上。
The Machine Learning “Advent Calendar” Day 13: LASSO and Ridge Regression in Excel
岭回归和套索回归通常被认为是线性回归的更复杂版本。事实上，预测模型保持完全相同。改变的是训练目标。通过对系数添加惩罚，正则化迫使模型选择更稳定的解决方案，尤其是当特征相关时。在 Excel 中逐步实现 Ridge 和 Lasso 使这个想法变得明确：正则化不会增加复杂性，它会增加偏好。机器学习“降临日历”第 13 天：Excel 中的 LASSO 和 Ridge 回归一文首先出现在《走向数据科学》上。
The Machine Learning “Advent Calendar” Day 12: Logistic Regression in Excel
在本文中，我们直接在 Excel 中一步步重建逻辑回归。从二进制数据集开始，我们探讨线性回归作为分类器为何举步维艰，逻辑函数如何解决这些问题，以及对数损失如何自然地从似然中出现。借助透明的梯度下降表，您可以在每次迭代中观察模型的学习情况，从而使整个过程直观、直观且令人惊讶地令人满意。机器学习“降临日历”第 12 天：Excel 中的逻辑回归首先出现在走向数据科学。
The Seasonally Adjusted CPI Was 0.307% Higher In December Than November. 12 month was up 2.65%
以下是截至 11 月的六个月经季节调整的 CPI 变化： 5 月 0.0810%6 月 0.2870%7 月 0.1966%8 月 0.3825%9 月0.3105%（由于政府关门，10月份没有报告） .2044% 最近一次下降是在 2025 年 3 月，当时为-0.0500%。在此之前是 2024 年 6 月，当时为-0.0029%。请参阅所有城市消费者的消费价格指数：来自圣路易斯联邦储备银行研究部门编制的 FRED（美联储经济数据）的美国城市所有项目平均值，了解季节性调整后的 CPI 数据。该网站显示了一个图表，但如果您单击“下载”按钮，您将获得 Microsoft Excel 中的实际数
