¿Te sientes inspirado para escribir tu primera publicación de TDS? .
Algunos meses, nuestra comunidad parece verse atraída por un grupo muy reducido de temas: aparece un nuevo modelo o herramienta y la atención de todos se centra en las noticias más recientes y de mayor actualidad. Otras veces, los lectores parecen moverse en docenas de direcciones diferentes, sumergiéndose en un amplio espectro de flujos de trabajo y temas. El mes pasado definitivamente pertenece al último grupo, y al mirar los artículos que más resonaron en nuestra audiencia, nos sorprendió (¡e impresionó!) Su diversidad de perspectivas y puntos focales.
Esperamos que disfrute de esta selección de algunas de nuestras publicaciones más leídas, compartidas y discutidas de abril, que incluyen un par de los artículos más populares de este año hasta la fecha y varias explicaciones de primer nivel (y amigables para principiantes).
Destacados mensuales
- Las matemáticas detrás de las redes neuronales
A estas alturas, pocos de ustedes necesitan una introducción a cristian leoSerie de guías sobre los conceptos esenciales del aprendizaje automático. Quizás ninguno de estos componentes básicos sea más esencial que las redes neuronales, por supuesto, por lo que no sorprende que esta inmersión profunda en sus matemáticas subyacentes haya tenido tanto éxito entre nuestros lectores. - Pandas: de desordenados a hermosos
Siempre es un placer ver que el primer artículo de TDS de un autor toca la fibra sensible de una amplia audiencia; esto es precisamente lo que pasó con Anna Zawadzkaes una guía práctica para mejorar su código Pandas, que brinda consejos prácticos para mantenerlo «limpio e infalible». - Un nuevo coeficiente de correlación
Hoy en día no es muy frecuente que se produzcan verdaderos avances en las estadísticas, lo que explica por qué Tim SumnerEl artículo de sobre un artículo reciente, que introdujo una “nueva forma de medir la relación entre dos variables igual que la correlación, excepto que posiblemente sea mejor”, generó una respuesta masiva de los profesionales de datos.
- Cómo construir un chatbot LLM local de código abierto con RAG
Varios meses después de causar su impacto inicial en los círculos de ML, los enfoques de RAG parecen no haber perdido nada de su brillo. Dr. León EversbergEl tutorial de es un buen ejemplo: agrega una solución novedosa a una lista cada vez mayor de herramientas que nos permiten «hablar» con nuestros documentos PDF. - Sumérgete en Transformers a mano
Las guías y tutoriales técnicos de Transformers no son precisamente difíciles de encontrar. que conjuntos Srijanie Dey, PhDAdemás, la contribución de es su accesibilidad y claridad, que, junto con sus ilustraciones bien ejecutadas, lo convirtieron en un recurso particularmente sólido para principiantes y estudiantes visuales. - De científico de datos a gerente de productos de ML/IA
Hacer una transición profesional nunca es una tarea trivial, y menos aún durante un período difícil para quienes buscan empleo. Anna Vía ofreció una generosa dosis de inspiración, junto con más de unos pocos consejos e ideas prácticas, basadas en su propio cambio de rol exitoso para convertirse en gerente de productos de aprendizaje automático. - Los 4 sombreros de un científico de datos completo
¿Qué se necesita para convertirse en un auténtico profesional de datos “full-stack”? Shaw Talebi lanzó recientemente una serie que explora (y responde) esta pregunta en detalle; Esta publicación, la primera de la secuencia, brinda una perspectiva de alto nivel sobre las habilidades básicas de un científico de datos que puede «ver el panorama general y profundizar en aspectos específicos de un proyecto según sea necesario». - Conozca NiceGUI: su futura biblioteca de interfaz de usuario de Python favorita
Es difícil realizar un seguimiento de todas las nuevas bibliotecas, paquetes y plataformas que se anuncian todos los días, razón por la cual una revisión detallada, objetiva y de primera mano puede resultar tan útil. Eso es precisamente lo que Youness Mansar se propone lograr con su introducción a NiceGUI, un marco de interfaz de usuario de código abierto basado en Python. - Regresiones lineales para conclusiones causales
La mayoría de las veces, mantener las cosas simples es la clave del éxito. Ese es un punto que Mariya Mansurova vuelve a casa una y otra vez en su guía para sacar conclusiones causales en el contexto del análisis de productos, que evita algoritmos sofisticados y ecuaciones complejas en favor de regresiones lineales probadas y verdaderas.
Nuestra última cohorte de nuevos autores
Cada mes, estamos encantados de ver un nuevo grupo de autores unirse a TDS, cada uno de los cuales comparte su propia voz, conocimiento y experiencia únicos con nuestra comunidad. Si está buscando nuevos escritores para explorar y seguir, simplemente explore el trabajo de nuestras últimas incorporaciones, que incluyen Thomas Reid, Rechitasingh, Anna Zawadzka, Dr. Christoph Mittendorf, Daniel Manrique-Castaño, Maxime Lobo, Mia Dwyer, Nadav Har-Tuv, roger noble y Martín Chaves, Oliver W. Johnson, Tim Sumner, Jonathan Yahav, Nicolás Lupi, julian yip, Nikola Milosevic (guerrero de datos), Sara Nobrega, Anand Majmudar, Wencong Yang, Shahzeb Naveed, Soyoung L, Kate Minogue, Sean Sheng, Dr. John Loewen, 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, Hadrien Mariaccia, Gretel Tan, Sami Maameri, Ayoub El Outati, Samvardhan Vishnoi, Hans Christian Ekne, David Kyle, Daniel Pazmiño Vernaza, Vu Trinh, Mateus Trentz, Natasha Stewart, Frida Karvouni, Sunila Gollapudiy Haocheng Bientre otros.
