Ti senti ispirato a scrivere il tuo primo post su TDS? Siamo sempre aperti ai contributi di nuovi autori.
Alcuni mesi, la nostra community sembra essere attratta da un gruppo molto ristretto di argomenti: spunta fuori un nuovo modello o strumento e l'attenzione di tutti si concentra sulle notizie più recenti e più interessanti. Altre volte, i lettori sembrano muoversi in dozzine di direzioni diverse, immergendosi in un ampio spettro di flussi di lavoro e temi. Il mese scorso appartiene sicuramente a quest'ultimo campo e, mentre esaminavamo gli articoli che hanno avuto maggiore risonanza tra il nostro pubblico, siamo rimasti colpiti (e impressionati!) dalla loro diversità di prospettive e punti focali.
Ci auguriamo che questa selezione di alcuni dei nostri post più letti, condivisi e discussi di aprile ti piaccia, che includono un paio degli articoli più popolari di quest'anno fino ad oggi e diverse spiegazioni di alto livello (e adatte ai principianti).
Punti salienti mensili
- La matematica dietro le reti neurali
Ormai pochi di voi hanno bisogno di presentazioni Cristian LeoneLa serie di guide ai concetti essenziali dell'apprendimento automatico. Forse nessuno di questi elementi costitutivi è più essenziale delle reti neurali, ovviamente, quindi non sorprende che questo approfondimento sulla matematica sottostante abbia avuto un tale successo tra i nostri lettori. - Panda: da disordinati a belli
È sempre una gioia vedere il primo articolo di un autore su TDS colpire il vasto pubblico; questo è esattamente quello che è successo con Anna ZawadzkaLa guida pratica di per migliorare il codice del tuo Panda, fornendo suggerimenti pratici per mantenerlo “pulito e infallibile”. - Un nuovo coefficiente di correlazione
Al giorno d'oggi le vere scoperte statistiche non arrivano molto spesso, il che spiega il perché Tim SumnerL'articolo di su un recente articolo, che introduceva un “nuovo modo di misurare la relazione tra due variabili proprio come la correlazione, ma forse migliore”, ha generato una risposta massiccia da parte dei professionisti dei dati.
- Come creare un chatbot LLM locale open source con RAG
Diversi mesi dopo aver fatto il loro debutto nei circoli ML, gli approcci RAG sembrano non aver perso nulla del loro splendore. Dottor Leon EversbergIl tutorial di è un esempio emblematico: aggiunge una nuova soluzione a un elenco crescente di strumenti che ci consentono di “parlare” con i nostri documenti PDF. - Approfondisci i Transformers manualmente
Le guide e le procedure dettagliate tecniche sui Transformers non sono esattamente difficili da trovare. Ciò che tramonta Srijanie Dey, dottore di ricercaIl contributo di è a parte la sua accessibilità e chiarezza, che, insieme alle sue illustrazioni ben eseguite, lo hanno reso una risorsa particolarmente efficace per i principianti e gli studenti visivi. - Da Data Scientist a Product Manager ML/AI
Effettuare una transizione di carriera non è mai un’impresa banale, tanto meno in un periodo difficile per chi cerca lavoro. Anna Via ha offerto una generosa dose di ispirazione, insieme a più di alcuni suggerimenti e approfondimenti attuabili, basati sul suo cambio di ruolo di successo per diventare un product manager di machine learning. - I 4 cappelli di un data scientist full-stack
Cosa serve per diventare un vero professionista dei dati “full-stack”? Shaw talebi ha recentemente lanciato una serie che esplora (e risponde) a questa domanda in dettaglio; questo post, il primo della sequenza, fornisce una prospettiva di alto livello sulle competenze principali di un data scientist che può “vedere il quadro generale e approfondire aspetti specifici di un progetto secondo necessità”. - Ti presentiamo NiceGUI: la tua futura libreria UI Python preferita
È difficile tenere traccia di tutte le nuove entusiasmanti librerie, pacchetti e piattaforme annunciate ogni giorno, motivo per cui una recensione dettagliata, supponente e di prima mano può essere così utile. Questo è esattamente ciò che Youness Mansar si propone di realizzare con la sua introduzione a NiceGUI, un framework UI open source basato su Python. - Regressioni lineari per conclusioni causali
Nella maggior parte dei casi, mantenere le cose semplici è la chiave del successo. Questo è un punto Maria Mansurova torna a casa ancora e ancora nella sua guida per trarre conclusioni causali nel contesto dell'analisi dei prodotti, che evita algoritmi fantasiosi ed equazioni complesse a favore di regressioni lineari collaudate.
La nostra ultima coorte di nuovi autori
Ogni mese siamo entusiasti di vedere un nuovo gruppo di autori unirsi a TDS, ognuno dei quali condivide la propria voce, conoscenza ed esperienza uniche con la nostra comunità. Se stai cercando nuovi scrittori da esplorare e seguire, sfoglia il lavoro delle nostre ultime aggiunte, incluso Tommaso Reid, Rechitasingh, Anna Zawadzka, Dott. Christoph Mittendorf, Daniel Manrique-Castano, Massimo Lupo, Mia Dwyer, Nadav Har-Tuv, Ruggero Nobile E Martin Chaves, Oliver W. Johnson, Tim Sumner, Jonathan Yahav, Nicola Lupi, Giuliano Ip, Nikola Milosevic (Guerriero dei dati), Sara Nobrega, Anand Majmudar, Wencong Yang, Shahzeb Naveed, Soyoung L, Kate Minogue, Sean Sheng, John Loewen, Ph.D, Lukasz Szubelak, Pasquale Antonante, Ph.D., Roshan Santhosh, Runzhong Wang, Leonardo Maldonado, Jiaqi Chen, Tobias Schnabel, Jess.Z, Lucas de Lima Nogueira, Merete Lutz, Eric Boernert, John Mayo-Smith, Adriano Mariaccia, Gretel Tan, Sami Maameri, Ayoub El Outati, Samvardhan Vishnoi, Hans Christian Ekne, David Kyle, Daniel Pazmino Vernaza, Vu Trinh, Matteo Trenz, Natasha Stewart, Frida Karvouni, Sunila GollapudiE Haocheng Bitra gli altri.
Fonte: towardsdatascience.com
