一月是挑战自我学习新技能的时刻

原文：towardsdatascience.com/january-is-for-challenging-yourself-to-learn-new-skills-812a66d0cd88?source=collection_archive---------7-----------------------#2024-01-11

https://towardsdatascience.medium.com/?source=post_page---byline--812a66d0cd88--------------------------------https://towardsdatascience.com/?source=post_page---byline--812a66d0cd88-------------------------------- TDS 编辑

·发布于 Towards Data Science ·发送至 Newsletter ·3 分钟阅读·2024 年 1 月 11 日

–

你可以随时开始你的数据科学之旅；扩展你的技能应是一个持续进行的、全年的过程。不过，即便是那些对新年决心持怀疑态度的人，也无法否认新的一年所带来的激动与机遇。何不趁此时机，勇敢尝试并探索新课题呢？

为了给你提供一些有益的推动，我们整理了最近几周的精彩文章，重点介绍了机器学习和数据工作流的实用、易懂的方式。这些文章大多数对初学者友好，但正如我们常常提醒自己的：当你决定学习新事物时，你永远都是初学者。

我们希望你喜欢本周的精选内容，并能激励你在全年迎接新的挑战。让我们开始吧。

• 学习机器学习的勇气：梯度下降与常用优化器的详细探索在她的系列机器学习讲解新篇章中，Amy Ma 提供了一个详尽且易于理解的梯度下降和其他优化器指南，重点介绍了根据你要完成的任务选择合适的优化器。

• 从 Adaline 到多层神经网络如果你觉得在阅读机器学习论文中的那些复杂数学符号时不太踏实，Pan Cretan最近的深度解析是一个很好的资源。它回顾了多层神经网络的早期发展，从零开始构建一个，并解读了这些网络的数学描述。

• 高斯喷溅的全面概述如果你是一个喜欢紧跟最新研究的高级从业者，Kate Yurkova的高斯喷溅入门是必读之作。它是探索这一新兴的 3D 表示方法及其各种实际应用场景的理想起点。

https://github.com/OpenDocCN/towardsdatascience-blog-zh-2024/raw/master/docs/img/b0cfb7c9ae3a678a6d7dcb469157f943.png

由 Jeff Sheldon 拍摄，图片来源于 Unsplash

• LLM 代理 — 直观且详尽的解析准备好挽起袖子，开始动手尝试大语言模型了吗？Daniel Warfield最近分享了一个详尽的、集中的资源，介绍了 LLM 代理的工作原理，以及它们如何帮助你优化与 AI 工具的互动。

• 线性代数的鸟瞰图：线性方程组、线性回归与神经网络增强你的数学基础或刷新那些你只是略微了解过或很久以前学过的概念，永远不会嫌晚。Rohit Pandey在他关于线性代数的系列文章中，最新的一篇深入探讨了线性方程组的求解方法。

还感觉充满活力吗？我们希望是的——以下是我们本周想要与您分享的其他一些重要贡献：

• 深入探讨参数效率问题，Mariano Kamp提供了关于 LoRA **（低秩适配）**设计决策的详细分析，帮助你最大化 LoRA 的使用效果。

• 无论你是数据团队负责人还是个人贡献者，阅读Ella Pham关于实现可衡量 ROI 的挑战的新文章，你都会受益匪浅——文章还探讨了如何克服这些挑战。

• 在大规模实施生成性 AI 解决方案时，区分炒作与真实价值至关重要。Barr Moses分享了五个技术领导者应牢记的重要见解。

• 是否可以将 AI 工具作为求职候选人的一部分？ 它应如何影响招聘经理对申请人的评估？Christine Egan深思熟虑地剖析了这一棘手话题的利害关系。

• 想了解 LLM 在过去一年中的进展以及 2024 年该领域的未来方向，不要错过Zhaocheng Zhu的精彩文章（与共同作者Michael Galkin等人合作），该文深入探讨了模型的推理能力。

• 将一些 Python 代码、数据可视化和 MIDI 文件结合起来（！），Dmitrii Eliuseev试图回答一个看似简单但实际上并不简单的问题：弹钢琴到底需要多少个键?

感谢你支持我们作者的工作！如果你喜欢在 TDS 阅读的文章，考虑成为 Medium 朋友会员：这是一个新加入的会员级别，能够为你最喜欢的作者提供更丰厚的回报，奖励他们的高质量写作。