Советы по повышению продуктивности, перспективы карьеры в области аналитики данных и другие недавние обязательные для чтения материалы
Как увеличить продуктивность и достичь успеха в карьере аналитика данных необходимые материалы для вашего прочтения
Наука о данных – это быстро развивающаяся область, постоянно появляются новые инструменты, меняются рабочие процессы и быстро изменяются карьерные пути – иногда всего за несколько недель.
Наши самые читаемые и обсуждаемые статьи отражают эти тенденции, читатели с радостью обращаются к отличным статьям опытных профессионалов в области данных и машинного обучения, которые делятся своим опытом, полученным на практике. Чтобы не пропустить наши лучшие статьи, мы с радостью предлагаем некоторые из самых ярких историй из прошлого месяца. Они охватывают много различных аспектов – от кодирования до LLM и рассказа данных – но акцент делается на практических рекомендациях от первого лица. Приятного чтения!
- Кодирование было сложным, пока я не выучила эти 2 вещи Как перейти от “желающего программиста” к человеку, который может реально конкурировать за хорошие вакансии, требующие навыков программирования? Вирусный пост Наташи Сельварая рассматривает практические аспекты развития мышления и создания повседневной программистской рутины.
- 6 плохих привычек, что убивают вашу продуктивность в области науки о данных Как подчеркивает Донато Риччо, повышение продуктивности не заключается только в изучении и выполнении большего объема работы; избегание или преодоление привычек, которые наносят вред вашей работе, также важно. Особое внимание в статье уделяется привычкам, которые актуальны для повседневной работы в области науки о данных.
- Забудьте о RAG, будущее за RAG-Фьюжн Улучшение генерации на основе поисковых систем часто используется для оптимизации больших языковых моделей, но оно имеет свои недостатки. Адриан Раудаши представляет RAG-Фьюжн – модифицированную технику, которая решает эти проблемы, включает в себя рекуррентное слияние ранжирования и генерируемые запросы в процессе работы.
- Введение в KeyLLM — Извлечение ключевых слов с LLM В продолжение темы увеличения эффективности LLM, Мартен Гротендорст недавно поделился новостью о запуске KeyLLM, его расширения для пакета KeyBERT, которое позволяет извлекать ключевые слова в масштабе. Затем он проводит пример на основе модели Mistral 7B с открытым исходным кодом.
- Как стать инженером данных Если вы начинающий специалист IT или промежуточный программист, который хотел бы сменить профессию, практическое руководство 💡Майка Шахомирова о переходе в роль инженера данных является отличным ресурсом для изучения.
- Создание новых ученых-аналитиков в эпоху удаленной работы Как переход к удаленной и гибридной модели работы повлиял на начинающих ученых-аналитиков данных? Стефани Кирмер предлагает продуманное рассуждение о тех проблемах, с которыми сталкиваются как работодатели, так и сотрудники, в этой (относительно) новой области, а также о том, что они могут сделать, чтобы следующее поколение профессионалов в области данных могло по-прежнему получать пользу от опыта опытных специалистов.
- TimesNet: Последний прорыв в прогнозировании временных рядов Будьте в курсе последних исследований в области временных рядов: последнее объяснение Марко Пешейро сфокусировано на TimesNet, представленном в статье, опубликованной в начале этого года. Это модель, использующая архитектуру на основе сверточных нейронных сетей для достижения передовых результатов в разных задачах, “что делает её отличным кандидатом в качестве фундаментальной модели для анализа временных рядов”.
- 5 примеров использования генеративного ИИ для компаний сегодня Вокруг генеративных инструментов ИИ порой возникает шум, и не всегда легко для бизнес-лидеров разобраться, какая стоит внимания по отношению к реальной ценности. Барр Моузес приходит на помощь с пятью перспективными примерами использования генеративных подходов в ИИ, которые могут иметь смысл для компаний в экспериментах.
- Интерактивные панели в Excel Если вы ищете новые творческие выходы для представления ваших данных в увлекательных и доступных форматах, почему бы не попробовать Excel? Шаг за шагом Джейк Тео объясняет, как максимально эффективно использовать “самое распространенное программное обеспечение для обработки и анализа данных в мире без технической индустрии” для создания элегантных интерактивных панелей управления.
- Стратегический анализ данных (Часть 1) В своей недавно запущенной серии Виялета Апгар предоставляет структурированный и подробный обзор вопросов, с которыми сталкиваются аналитики данных и различных подходов, которые они могут использовать для эффективного их решения. Если вы еще не прочитали это, рекомендуем начать с самого начала: Часть 1 описывает ч
Наши последние новые авторы
Каждый месяц мы с нетерпением ждем появления свежей группы авторов в TDS, каждый из которых делится своим собственным уникальным голосом, знаниями и опытом с нашим сообществом. Если вы ищете новых писателей для изучения и подписки, просто просмотрите работы наших последних дополнений, включая Дэниел Уорфилда, Сатвики Ди, Сэмюэл Монтгомери, Александр Никитин, Аман Стейнберг, Хамед Сейед-аллаэй, Матеус Каммарозано Идальго, Мальте Блекер, Кристофер Карг, Акиф Мустафа, Габриэль Морейра, Джейк Тео, Илья Теймури, Жереми Шарлет, Эд Исагир, Сильвия Онофрей, Маркус Стади, Кайро Мортон, Джозу Диаз де Аркайя, Дипша Менгхани, Джон Флинн, Леннарт Лангоуше, Гийом Коллей, Ангжелин Хила, Эммануил Каристинайос, София Роса, Энтони Алькараз, Ксения Байдина, Кеннет Болл и Николаус Лоусон.
Спасибо, что поддерживаете работу наших авторов! Если вам нравятся статьи, которые вы читаете на TDS, рассмотрите вариант становления членом VoAGI — это открывает доступ ко всему нашему архиву (и ко всем другим публикациям на VoAGI тоже).
- 7 шагов для использования прогностического анализа для выявления многообещающих проектов в предоставлении грантов
- Перетаскивание, отпускание, анализ взлет No-Code Data Science
- Обзор модели Llama 2 от Meta Что нового?
До следующей переменной,
Редакторы TDS