No se pierda nunca una nueva edición de The Variable, nuestro boletín semanal que presenta una selección de primer nivel de selecciones de los editores, análisis profundos, noticias de la comunidad y más.
A pocas semanas de que finalice el año, ni nuestros autores ni nuestros lectores muestran signos de desaceleración.
Estamos encantados de haber publicado algunos de nuestros artículos más importantes del año durante el mes pasado: guías prácticas sobre flujos de trabajo de LLM y recursos para el crecimiento profesional, tutoriales centrados en Python y análisis profundos de herramientas lanzadas recientemente, entre otros temas destacados. Siga leyendo para ponerse al día (o volver a visitar) las historias más leídas de noviembre.
Graficar RAG vs SQL RAG
¿Qué paradigma de base de datos ofrece resultados más precisos y reveladores? Reinhard Sellmair se propone evaluar el rendimiento de dos tipos de sistemas RAG comparando GraphRAG y SQL RAG entre sí, utilizando el mismo conjunto de datos y preguntas.
Análisis de series de tiempo impulsado por LLM
En la segunda parte de la popular serie de Sara Nobrega, aprendemos sobre las indicaciones que necesitamos para el desarrollo de modelos avanzados (piense en ARIMA y LSTM).
Cómo crear proyectos de aprendizaje automático que le ayuden a ser contratado
No todas las carteras de ML son iguales. Egor Howell comparte ideas comprobadas sobre lo que funciona y lo que no.
Otros aspectos destacados de noviembre
No se pierda nuestras otras lecturas principales del mes pasado, que abordan NumPy, Multimodal RAG, cuadernos marimo y muchos otros temas, tanto de actualidad como de vanguardia.
NumPy para principiantes absolutos: un enfoque de análisis de datos basado en proyectos, por Ibrahim Salami
Comprensión de las redes neuronales convolucionales (CNN) a través de Excel, por Angela Shi
Ejecute Python hasta 150 veces más rápido con C, por Thomas Reid
Cómo construir un sistema de recuperación sobrediseñado, por Ida Silfverskiöld
Construyendo un RAG multimodal que responda con texto, imágenes y tablas de fuentes, por Partha Sarkar
Por qué estoy cambiando a los cuadernos marimo, por Parul Pandey
Su próximo modelo de lenguaje ‘grande’ podría no serlo después de todo, por Moulik Gupta
En caso de que te lo hayas perdido: nuestras últimas preguntas y respuestas sobre autores
Nos encanta compartir la experiencia, los conocimientos profesionales y las opiniones de nuestros autores sobre los desarrollos recientes en el mundo de la ciencia de datos y la inteligencia artificial. Aquí están nuestros autores destacados más recientes.
“El pensamiento sistémico me ayuda a poner el panorama general al frente y al centro”
Shuai Guo sobre agentes de investigación profunda, IA analítica frente a agentes basados en LLM y pensamiento sistémico.
“El éxito de un producto de IA depende de cuán intuitivamente los usuarios puedan interactuar con sus capacidades”
Janna Lipenkova sobre la estrategia de IA, los productos de IA y cómo el conocimiento del dominio puede cambiar toda la forma de una solución de IA.
Conozca a nuestros nuevos autores
Esperamos que se tome el tiempo para explorar el excelente trabajo del último grupo de contribuyentes de TDS:
Jure Leskovec, profesor de informática y emprendedor de Stanford, explica por qué los LLM no son una solución única para todas las empresas.
Sherin Sunny, ingeniera senior de Walmart, nos explicó la creación de un proyecto de visión por computadora destinado a detectar hojas.
Manuel Franco de la Peña nos presentó ShaTS, un novedoso método de explicabilidad basado en Shapley diseñado específicamente para modelos de series temporales, que él co-creó.
Nos encanta publicar artículos de nuevos autores, así que si recientemente has escrito un recorrido interesante por un proyecto, un tutorial o una reflexión teórica sobre cualquiera de nuestros temas principales, ¿por qué no compartirlo con nosotros?
¡Nos encantaría recibir sus comentarios, autores!
¿Es usted un autor de TDS existente? Lo invitamos a completar una encuesta de 5 minutos para que podamos mejorar el proceso de publicación para todos los contribuyentes.