Verpassen Sie keine neue Ausgabe von Die Variableunser wöchentlicher Publication mit einer erstklassigen Auswahl an Empfehlungen der Redaktion, ausführlichen Einblicken, Neighborhood-Neuigkeiten und mehr.
Da das Jahresende nur noch wenige Wochen entfernt ist, zeigen weder unsere Autoren noch unsere Leser Anzeichen einer Entschleunigung.
Wir freuen uns, im vergangenen Monat einige unserer stärksten Artikel des Jahres veröffentlicht zu haben: praktische Leitfäden zu LLM-Workflows und Ressourcen dazu Karrierewachstumauf Python ausgerichtete Tutorials und ausführliche Einblicke in kürzlich eingeführte Instruments, neben anderen herausragenden Themen. Lesen Sie weiter, um die meistgelesenen Geschichten vom November nachzulesen (oder noch einmal zu lesen).
Diagramm RAG vs. SQL RAG
Welches Datenbankparadigma liefert genauere und aufschlussreichere Ergebnisse? Reinhard Sellmair Ziel ist es, die Leistung von zwei Arten von RAG-Systemen zu bewerten, indem GraphRAG und SQL RAG unter Verwendung desselben Datensatzes und derselben Fragen gegeneinander antreten.
LLM-gestützte Zeitreihenanalyse
Im zweiten Teil der beliebten Serie von Sara Nobrega lernen wir die Eingabeaufforderungen kennen, die wir für die fortgeschrittene Modellentwicklung benötigen (denken Sie an ARIMA und LSTM).
So erstellen Sie maschinelle Lernprojekte, die Ihnen bei der Einstellung helfen
Nicht alle ML-Portfolios sind gleich. Egor Howell teilt bewährte Erkenntnisse darüber, was funktioniert – und was nicht.
Weitere November-Highlights
Verpassen Sie nicht unsere anderen Prime-Lesungen des letzten Monats zu NumPy, Multimodal RAG, Marimo-Notizbüchern und vielen anderen Themen – sowohl immer aktuell als auch aktuell.
NumPy für absolute Anfänger: Ein projektbasierter Ansatz zur Datenanalyse, von Ibrahim Salami
Convolutional Neural Networks (CNNs) mithilfe von Excel verstehen, von Angela Shi
Führen Sie Python mit C bis zu 150-mal schneller aus, von Thomas Reid
Wie man ein überentwickeltes Abrufsystem aufbaut, von Ida Silfverskiöld
Aufbau eines multimodalen RAG, das mit Textual content, Bildern und Tabellen aus Quellen reagiert, von Partha Sarkar
Warum ich auf Marimo-Notizbücher umsteige, von Parul Pandey
Ihr nächstes „großes“ Sprachmodell ist vielleicht doch nicht groß, von Moulik Gupta
Falls Sie es verpasst haben: Unsere neuesten Fragen und Antworten zu Autoren
Wir lieben es, das Fachwissen, die Karriereeinblicke und Ansichten unserer Autoren zu den jüngsten Entwicklungen in der Welt der Datenwissenschaft und KI zu teilen. Hier sind unsere aktuellsten Autoren-Spotlights.
- „Systemdenken hilft mir, das große Ganze in den Mittelpunkt zu stellen“
Shuai Guo über Deep-Analysis-Agenten, analytische KI vs. LLM-basierte Agenten und Systemdenken.
- „Der Erfolg eines KI-Produkts hängt davon ab, wie intuitiv Benutzer mit seinen Fähigkeiten interagieren können.“
Janna Lipenkova über KI-Strategie, KI-Produkte und wie Domänenwissen die gesamte Type einer KI-Lösung verändern kann.
Lernen Sie unsere neuen Autoren kennen
Wir hoffen, dass Sie sich die Zeit nehmen, die hervorragende Arbeit der neuesten Kohorte von TDS-Mitwirkenden zu erkunden:
- Jure Leskovecein Stanford-Professor für Informatik und Unternehmer, erklärt, warum LLMs keine Einheitslösung für Unternehmen sind.
- Sherin Sunnyein leitender Ingenieur bei Walmart, führte uns durch die Entwicklung eines Pc-Imaginative and prescient-Projekts zur Erkennung von Blättern.
- Manuel Franco de la Peña stellte uns ShaTS vor, eine neuartige Shapley-basierte Erklärbarkeitsmethode, die speziell für Zeitreihenmodelle entwickelt wurde und die er mitentwickelt hat.
Wir veröffentlichen gerne Artikel von neuen Autoren. Wenn Sie additionally kürzlich eine interessante Projektdurchführung, ein Tutorial oder eine theoretische Reflexion zu einem unserer Kernthemen geschrieben haben, warum nicht? Teilen Sie es mit uns?
Wir würden uns über Ihr Suggestions freuen, Autoren!
Sind Sie bereits TDS-Autor? Wir laden Sie dazu ein Füllen Sie eine 5-minütige Umfrage aus So können wir den Veröffentlichungsprozess für alle Mitwirkenden verbessern.