SUMMARY.md

• 通过项目驱动的面试招聘你下一个数据分析炽星
• 进化多目标优化与耙选择
• 1.5 年的 Spark 知识总结为 8 个技巧
• 10 个数据分析师可能会遇到的常见问题——以及如何回答它们
• 提升检索增强生成系统性能的 10 种方法
• 10 位女性分享在 IT 和数据领域的工作经验
• TDS23-MEM
• 学习-DBT-简易方式-7d9f773d25ea?source=collection_archive---------6-----------------------
• 2023 年十大令人困惑的 XGBoost 超参数及其调优技巧.md
• 10 个决策树比 1 个更好-719406680564.md
• 10 个示例学习 Python 的 JSON 模块 - 793e62309d64.md
• 10 个令人兴奋的项目创意，使用大型语言模型（LLMs）来丰富你的作品集-970b7ab4cf9e.md
• 10 个最常见却令人困惑的机器学习模型名称-e70595eef514.md
• [10 个最常被问的 Python 列表问题在 Stack Overflow 上的链接。](docs/2-0007.md)
• 2023 年提高数据科学技能的 10 个简单方法-af274dc513da.md
• 10 个关于 Julia 的知识点，我希望早知道的-3104ce7e3a2c.md
• 未来十年将塑造数据科学家角色的 10 个趋势-759cdda3a442.md
• 10 个提高 Pinns 的实用提示和技巧-1a5dd7b86001.md
• 10 种向 Pandas 数据框中添加列的方法-ccadf7306d89.md
• 11 个帮助我获得第一个数据科学职位的实用技巧-be5d2036d49.md
• [11 个你可能忽视的有用 Pandas 功能点 - 原文链接](docs/2-0014.md)
• 12 个用于数据科学的思维模型-f2e2133d85ea.md
• 12 个 Python 装饰器，助力你的代码提升到新水平-a910a1ab3e99.md
• [像专业人士一样测试你的预测的 12 种方法](docs/2-0017.md)
• 2023 年你需要了解的 13 个数据流行词-87d8d908e5b6.md
• 130 毫升技巧和资源，经过精心策划，历时 3 年，并附赠免费电子书 7832ca4a37ef.md
• 14 种让你的 Pandas 工作流飞快的技巧-b00ff0ac9267.md
• 16、8 和 4 位浮点格式 - 它是如何工作的？
• python-mocking-in-production-1924953c8a14?source=collection_archive---------12-----------------------
• 2 个最佳 SQL 技巧，用于查找表中的重复值-1197618dcc74.md
• 2 种有效的方式将数据从本地迁移到云端-b3c3b03837f0.md
• 2023 年你需要知道的 2 个重要 SQL CASE WHEN 示例-cb5d50e59daa.md
• 2 个简单步骤减少 Pandas DataFrame 的内存使用 - b654565d654.md
• 2 个任务提升你的 Python 数据处理技能-3daf6c1c0528.md
• 20 个令人惊叹的 Julia 技巧和窍门，帮助高效程序员-5fedbfd00f73.md
• 20 个示例，掌握 Python Pandas 中数据框的合并技巧-22ffcd6059d1.md
• 2023 年回顾：总结后 ChatGPT 时代以及对 2024 年的展望-bb4357a4e827.md
• 8 个大多数数据科学课程没有教授但你应该知道的内容（第一部分）- 812e691c9430?source=collection_archive---------1-----------------------
• 2d-矩阵-变换-计算机-视觉-80b4a4f2120f.md
• 3 个常见的时间序列建模错误你应该知道的-a126df24256f.md
• 3 种提升大型语言模型的简单方法-68670fde9ffa.md
• 3 个简单技巧优化 Pandas DataFrames-b8bdbd50253.md
• [比较两个 Pandas DataFrames 的三种简单方法](docs/2-0036.md)
• 3-easy-ways-to-include-interactive-maps-in-a-streamlit-app-b49f6a22a636.md
• 你应该了解的 3 个 PostgreSQL 基本函数-b2a96e301ac0.md
• [3 门免费课程以跟上最新的 ChatGPT 趋势](docs/2-0039.md)
• 3 种有效使用 ChatGPT 和 GPT-4 进行更好编码的方法-7fb94e86be3e.md
• 3 个重要的 SQL 优化技术-d6da3e9c8442.md
• 3 种智能方式利用 ChatGPT 加速你的下一个数据科学项目-8c3e1c5aea18.md
• 3 个初级数据科学家应做的职业决策-728b20991120.md
• 3 个关于 Python 数据结构的必知概念-641e6f6207fc.md
• 3 个强大的 Python 库，帮助部分自动化 EDA，并让你开始你的数据项目。
• 3-powerful-tricks-to-work-with-date-time-data-in-python-67c2d3834338.md
• 3 个关于 astype 和 to_datetime 在 Pandas 中的实际区别 fe2c0bfc7678.md
• 2023 年数据科学作品集需要的 3 个项目-56623fc18c31.md
• 你希望翻译的是文件名吗？请确认。
• 3-python-用于高效解决特定数据处理任务的操作-551c8ed41c02.md
• 3 种快速简单的方法来使用 Pandas 可视化你的数据-4cac57fb4c82.md
• 3 个提升编程的快速技巧-760e06afd0c6.md
• 你应该注意的 3 个静默的 Pandas 错误 - 80d0112de6b5.md
• 3 种简单而强大的方式，这种 AI 技术将彻底改变数据管理。
• 3 种简单方法在 Python 中创建瀑布图-1124f7afc90f.md
• 3 个可能削弱你 SQL 查询性能的微妙错误-47e897688977.md
• 3 种季节性及其检测方法-4e03f548d167.md
• 3 个使用 Matplotlib 创建的独特图表，你可能之前没有见过的-421ab8cdd36f.md
• 3-使用 SQL 的 CASE WHEN 语句的场景-51e8e2829218.md
• 3 个处理日期时间数据的实用 Pandas 提示-424afbec628b.md
• 3 种在 Python 中使用 Altair 构建地理地图的方法-77c8e0781538.md
• 3 种方法将 matplotlib 图表嵌入 HTML 页面 - 8e11fa66a4b0.md
• [在非数据科学岗位上积累数据科学经验的三种方法 - 在非数据科学岗位上积累数据科学经验的三种方法](docs/2-0063.md)
• 扩散模型：它们是如何扩散的？
• 探索 Linux 容器中叠加文件系统的力量
• 最佳 ChatGPT 插件
• 从零开始训练 BERT 的终极指南：最终篇
• 从交叉职能机器学习项目中获得的 20 个经验教训
• 寻找机器学习团队候选人时应关注的 20 种软技能
• 2023 年的预测：AI 研究的下一步是什么？
• 使数据团队成功的决策
• 车辆路径问题：精确与启发式解决方案
• 成功数据共享的 3 条不可变规则
• 2024 年值得期待的 3 项音乐 AI 突破
• 高斯混合模型（GMM）的 3 个应用场景
• 34% 更快的整数到字符串转换算法
• 数据可视化中的 3D 和动效
• 使用 Open3D 进行 3D 数据处理
• 3D 深度学习 Python 教程：PointNet 数据准备
• 使用 DeepSDF 进行 3D 生成建模
• 室内建模的 3D 点云形状检测
• 《LiDAR 城市模型的 3D Python 工作流程：一步步指南》
• 使用 Python 进行 3D 地理空间数据集成：终极指南
• 4 个历来最有用的 pandas groupby 技巧
• 4 个你需要了解的自主 AI 代理
• 4 位量化与 GPTQ
• 4 个初学者应避免的常见 Python 错误
• 评估行业应用中的大型语言模型的 4 个关键因素
• 4 种易于实现的高影响力调整方法，用于超级提升你的 Python 代码性能
• 4 种简单方法立即提升你的数据可视化
• 4 个提高数据可视化技能的必备资源
• 作为 Python 初学者，你必须掌握的 4 个关键技巧
• 选择数据可视化颜色调色板的 4 个必备工具
• 4 种更快的 Pandas 数据分析替代方案
• 4 个失败的物理信息神经网络的想法
• 数据驱动世界中你应该理解的 4 个重要统计理念
• 4 个 Pandas 函数用于 DataFrame 的逐元素比较
• 4 个 Pandas 一行代码解决特定任务的高效方法
• 如何批判性地评估你遇到的下一个数据科学项目
• 在处理机器学习模型之前，你应该问自己 4 个问题
• 4 个快速且简单的步骤来美化 R Markdown
• 一步步解决 4 个实际问题的指南：使用变压器和 Hugging Face
• 我不会签署“生存风险”新声明的四个理由
• 改善数据治理团队的 4 种革命性方法
• 4 个你可能不知道的有用 BigQuery SQL 函数
• LangChain 中的 4 种问题回答方式
• 4 种编码具有高基数的分类特征的方法——带 Python 实现
• 最大化利用你的数据科学学位的 4 种方法
• 使用 Python 量化肥尾的 4 种方法
• 使用 Python 将数据写入 Parquet 的 4 种方法：比较
• 这 5 种 SQL 技术涵盖了 ~80% 的实际项目
• 5 个令人惊叹的 Python 隐藏功能 — 第一部分
• 数据共享的 5 个好处
• 5 种最佳 Python 合成数据生成器及如何在数据不足时使用它们
• 5 个阻碍机器学习应用的挑战
• 每个数据科学家都应该知道的 5 种变点检测算法
• 5 种代码优化技术，提高程序运行速度
• 分析师和数据科学家的 5 个常见数据治理痛点
• 数据科学作品集的 5 个错误
• 5 种简单有效的 Python 日志使用方法
• 5 个简单的 Python 特性，你可以立即开始使用以编写更好的代码
• 我在 Spotify 学到的初级数据科学家五大重要课程（第一部分）
• 我在 Spotify 学到的初级数据科学家 5 个重要课程（第二部分）
• 5 种适用于 R 的极佳数据管道编排工具
• 5 个函数是管理数据所需的全部工具
• 5 种公司可以立即实施的生成 AI 应用场景
• 5 个有用的提取与加载实践，帮助获得高质量原始数据
• 5 个促进数据科学家/分析师参与的想法，而不至于在会议中窒息
• 5 个激励人心的学习资源，帮助我保持在数据分析的前沿
• 你从未知道的 5 个 Jupyter 小技巧
• 5 个我在数据科学生涯中仅发现了 2 年的 Jupyter Notebook 技巧
• 5 个从测试 Databricks SQL Serverless + DBT 中获得的经验教训
• 5 个 MLOps 成熟度级别
• 庆祝地球月的 5 个机器学习项目作为开发者
• 每个数据科学家都应该避免的 5 个错误
• 5 个更多超棒的 Python 隐藏功能 — 第二部分
• 5 个你需要了解的强大 Python 库，用于增强你的 EDA 过程
• 5 个区分资深开发者和初级开发者的 Python 技巧
• 每个数据科学家都应该刻在脑海中的 5 个问题
• 提升您的 MLflow 模型实验的 5 个快速技巧
• 作为数据专业人士展示你工作的 5 条建议
• 5 个迹象显示你的数据建模不佳
• 你已经成为高级 Pandas 用户的 5 个迹象
• 你已经成为高级 Pythonista 的 5 个迹象，你可能都没意识到
• 使数据管理成功的 5 项技能
• 使用 Python 构建美丽条形图的 5 个步骤
• 5 步骤用 Python 绘制美观的折线图
• 用 Python 展示地理空间数据同时变化的 5 种可视化方法
• 生成型 AI 改变了公司处理数据的方式（以及没有改变的方式）
• 使用 Python 实现开放封闭原则的 5 种方法
• 在 Pandas 中应用 if-else 条件语句的 5 种方法
• 获取你下一个数据项目的有趣数据集的 5 种方法（非 Kaggle）
• 50,000 家零售店关店在即：拥抱数据驱动和以客户为中心的方法
• Tableau 中的 6 种高级可视化
• 6 个毁灭你数据科学生产力的坏习惯
• 6 个你应该了解的与索引相关的 Pandas 操作
• 数据科学代码中需避免的 6 个常见错误
• 你可能会犯的 6 个尴尬的 Sklearn 错误及如何避免它们
• 2023 年你必须学习的 6 个新兴数据科学库，以提升你的技能
• 区分资深开发人员与初级开发人员的 6 个 Python 最佳实践
• 使数据可靠性成为习惯的 6 个步骤
• 6 种聚类方法 — 概述
• 6 个值得更多关注的数据科学库
• Python 中 * 和 ** 的 6 种用例
• 为数据科学团队建立最佳实践的 6 种方法
• 从 Pandas 切换到雷电般快速的 Polars 并永不回头的 7 个简单步骤
• 使用 Python Pandas 掌握分类数据操作的 7 个示例
• AI 并没有威胁我们的工作！这里有 7 个值得关注的前沿职位，预计到 2030 年会崭露头角
• 使用 ChatGPT 创建完整产品的 7 个经验教训
• 7 种最常用的特征工程技术
• 7 条数据科学家的 Scikit-Learn 最佳实践
• 你已经成为一个高级 Sklearn 用户的 7 个迹象
• 7 步骤帮助你让 Matplotlib 条形图更美观
• 7 种营销数据科学的应用
• 7 种用 Python 处理多变量分类数据的可视化方法
• 监控大型语言模型行为的 7 种方法
• 2023 年 8 款最佳数据版本控制工具
• 8 个 ChatGPT 提示，用于频繁执行的 Pandas 操作
• 我没有放弃成为数据科学家的梦想的 8 个理由，以及你也不应该放弃的原因
• 8 种建模季节性的方法
• 攻读数据科学硕士学位前你必须考虑的 8 件事
• 高效数据可视化的 8 个技巧
• 在大学 HPC 集群上训练模型的 9 个技巧
• 91% 的机器学习模型随着时间的推移会退化
• 评估检索增强生成（RAG）的 3 步法
• 使用策略梯度强化学习进行 A/B 优化
• 像专家一样进行 A/B 测试：掌握统计测试选择的艺术
• 使用 R 和 brms 对学校毕业生结果进行贝叶斯比较
• 贝叶斯选择餐厅的方法
• 面向初学者的应用科学介绍
• 初学者友好的 MLOps 介绍
• 从零开始构建检索增强生成（RAG）应用程序的初学者指南
• 构建高质量机器学习数据集的初学者指南
• 《线性规划及单纯形算法初学者指南》
• LLM 微调的初学者指南
• 初学者指南：通过蒙特卡罗模拟理解 A/B 测试性能
• 一种更好的符号回归方法，通过明确考虑单位
• 更好的分析功能发布影响的方法
• 一种更好的在没有数据的情况下获得结果的方法
• 线性代数的全景视角：方程组、线性回归和神经网络
• 线性代数的鸟瞰图：基础知识
• 线性代数鸟瞰图：映射的度量——行列式
• 线性代数的全景视角：为什么矩阵乘法是这样的？
• 语言模型简史
• 神经网络简介：一个分类问题
• SciKit 管道简要介绍
• 精度和召回率的商业视角
• 一种优雅的方式来有效解决旅行推销员问题
• 深入了解 Colab 的新更新和增强功能
• 云迁移策略：5 步检查清单
• 时间差(0)与常数-α蒙特卡洛方法在随机游走任务中的比较
• 使用 BigQuery 和 Looker Studio 进行队列分析的完整指南
• 数据驱动的客户获取完整指南
• 数据分析家庭实验室启动完整指南
• 推荐系统离线评估的完整教程
• 使用 Python 完整的文字处理
• ML 实验跟踪工具的全面比较
• 一本全面的 OpenStreetMap 入门指南
• 分布式数据并行（DDP）的全面指南
• 《SQL 中公共表表达式的全面指南》
• 时间序列预测中交互项的全面指南
• 构建企业级 Plotly Dash 应用程序的全面指南
• 使用 Pandas 进行数据处理的全面指南
• 高斯溅射的全面概述
• 回归评估指标的全面概述
• 基于数据驱动的方法来减少员工调查长度
• 《垄断游戏的数据驱动策略模拟》
• 一个关于作物产量和价格预测的数据科学课程项目，我至今不感到羞愧
• 一个使用 ChatGPT 代码解释器的数据科学项目
• 量化空间连续性的面向数据科学家的变异函数教程
• 数据科学家探索性数据分析的必备指南
• 数据科学家提高 Python 代码质量的指南
• Makefile 教程
• 数据科学家的 Python 类型指南：提升代码清晰度
• 首席数据科学家的日常生活
• 高级数据科学家的日常
• 自然语言处理中的知识图谱：十年回顾
• 深入探讨自编码器及其与 PCA 和 SVD 的关系
• 对 K-means 的深度解析，适合不太懂技术的读者
• 深入探讨 Visual Transformer (ViT) 模型的代码
• 深入探讨统计期望的科学
• 归纳偏差的一个童话故事
• 医疗 AI 的基础模型
• 卫星图像基础模型
• 基于自然法则的人本中心 AI 框架
• 分析流失的框架
• 构建生产就绪特征工程管道的框架
• 《温和介绍：通过 LangChain 链接 LLMs、代理和工具》
• 贝叶斯深度学习的温和介绍
• 补充对数-对数回归的温和介绍
• 《深入浅出 JAX 中的深度强化学习》
• 《初学者友好的生成式 AI 介绍》
• GPT 模型简介
• 对开源大型语言模型的温馨介绍
• 可调整神经网络的温和介绍（第一部分）
• 《可操控神经网络简介（第二部分）》
• 对分析流处理的温和介绍
• 一个好的描述就是你所需要的一切
• 《生产就绪的 RAG 应用的 12 种调整策略指南》
• 机器学习中的 21 种特征重要性方法和包指南（附代码）
• 关联规则挖掘指南
• 高效训练管道构建指南
• 构建高性能实时数据模型指南
• 使用预测模型进行实时推断指南
• Matplotlib 子图形创建复杂多面板图的指南
• 机器学习实际数据收集指南
• 使用 BigQuery 的窗口函数指南
• 制胜自评指南
• 在数据科学领域建立职业资本的一个高度被低估的方法
• MLOps 的关键起点：探索其核心组件
• 初学者的最大似然估计（附 R 代码）
• 通过示例了解精益数据管道
• 处理大数据集的小技巧，适用于有限内存
• 一种机器学习方法预测胶质母细胞瘤患者的 MGMT 甲基化状态
• 机器学习工程师的必备工具
• 机器学习与优化算法的结合
• 数据建模与设计的成熟度模型
• 对分析流处理的简要介绍
• 一种新的工程类型
• 预测概率分布的新方法
• 迈向负责任的 AI 生成内容之路
• 没有冷启动问题的高效推荐系统
• 高效查询流式数据的方法
• 关于 DALL·E2 的哲学与艺术视角
• 人工智能技能缺口的（哲学）视角
• 在 Kubernetes 上进行快速实验的流程
• 评估业务分析中的正负未标记（PU）分类器的实用方法
• ChatGPT 和 Bard 的免费版本实用比较
• 使用 QGIS 进行地理空间数据分析的实用介绍
• 实用介绍 LLMs
• 顺序特征选择的实用介绍
• 强化学习实践者指南
• 数据网格的前奏
• 进行统计测试所需的基础概念简介
• 《线性代数入门》
• 线性代数入门：第二部分
• 统计估计与推断基础
• 一种经过验证的方法，用以记住数据科学概念，直到你需要的时候
• 从 Google Maps 空气质量 API 获取空气污染数据的 Python 工具
• 《Pythonista 的语义内核入门》
• 《网格基础可视化的快速清晰概述》
• 自然语言处理模型的归一化快速指南
• Python 中美丽散点图的快速指南
• 严格设计机器学习实验的快速指南
• 快速入门 PostgreSQL 连接和数据导入 Pandas
• 《快速入门指南：如何根除模型偏见》
• 魔方与 Markov 链
• 一个学术研究（以及其他数据类型）的推荐系统！
• 对变换器的悼歌？
• 倾向评分建模方法回顾
• 从备用零件构建的无服务器查询引擎
• 使用机器学习进行层次时间序列预测的简单方法
• 一个简单的 ML 项目 CI/CD 设置
• 理解 R 中 apply() 函数的简单指南
• 对量子增强支持向量机的简单介绍
• 管理基于云的机器学习训练的简单解决方案
• 一个简单的 TensorFlow 和 TensorFlow 对象检测 API 的逐步安装指南
• 改善数据科学面试的简单方法
• 加速你的 Python 代码的简单方法 — 保持更新
• 实施 dbt 模型单元测试的简单（但有效）方法
• 一位站点搜索工程师的日志：在 Elasticsearch 查询构建中应对相关性挑战
• 一个数据科学人士可以喜爱的利益相关者分析
• 准确检测峰值和谷值的逐步指南。
• 成为成功的数据分析顾问的逐步指南
• 从零开始构建有效的数据质量策略的逐步指南
• 开发基于地图的应用程序的逐步指南（第一部分）
• 如何使用 React 构建 Web 应用
• 使用 React 为你的网页应用添加互动性
• 逐步指南：稳健的机器学习分类
• BigQuery 中的行和列访问策略逐步指南
• 选择和运行自己生成模型的逐步指南
• 治疗与反应的故事
• 可能影响你的决策树和随机森林的微妙偏差
• 带有地理空间计算的可持续供应链模板（Python）
• 实验分析的表格微积分
• 自然语言处理的分类法
• 一种通用的提示工程路线图：背景支架框架（CSF）
• 方差、协方差、相关性和因果关系的视觉解释
• 视觉学习者指南：解释、实现和解读主成分分析（PCA）
• 视觉麦克风？从图像中提取音频的革命性技术
• Cᵥ 话题连贯性解释
• 差分隐私的 ABC
• 通过使用端到端机器学习平台加速构建机器学习模型
• 使用 Graphcore IPU 和 PopSparse 库加速块稀疏矩阵乘法
• 使用 FP8 加速 PyTorch 训练工作负载 — 第一部分
• 使用 Python 访问和可视化数字高程模型
• 访问你的个人数据
• 实现大型语言模型的更大自我一致性
• 在混乱背景下通过思路引导和并行知识图谱检索实现结构化推理
• 什么是 ACID 事务？
• 神经网络与深度学习的激活函数
• 适应现有的 LLM 项目以使用 LangChain
• 添加一行 SQL 语句以优化你的 BigQuery 表格
• 检索增强生成（RAG）
• 向 Matplotlib 图形中添加插图坐标轴
• 在 Scikit-Learn 中使用自定义 Transformers 进行高级数据准备
• 高级维度减少模型简明解析
• 使用 Python 进行高级 GUI 界面设计
• 高级指南：通过自动批处理输入来避免 Microsoft Translator API 的最大字符限制
• 提高软件代码质量的高级 JavaScript 函数
• 高级提示工程
• 高级 Python：点运算符
• 高级 Python：函数
• 高级 Python： metaclasses
• 高级 RAG 01：从小到大的检索
• 使用深度学习进行高级时间序列异常检测在 PowerBI 中
• 时间序列预测与分类中的深度学习进展：2023 年冬季版
• AI 编程：谷歌 Bard 是一个优秀的 Python 开发者吗？
• AI 意识展开
• AI 驱动的洞察：利用 LangChain 和 Pinecone 与 GPT-4
• AI 熵：AI 生成内容的恶性循环
• AI 前沿系列：人力资源
• AI 前沿系列：供应链
• AI 生成的合成数据
• AI 行动：指导新抗生素的发现以对抗多药耐药细菌
• AI 在物流中的应用：利用计算机视觉优化集装箱装载率
• AI 音乐源分离：如何运作以及为何如此困难
• AI 驱动的个人语音助手用于语言学习
• 人工智能搜索算法：深入了解最受欢迎的算法
• AI 初创公司趋势：来自 Y Combinator 最新一批的洞察
• AI 电话 — 多模态模型的对决
• 人工智能培训外包给人工智能而非人类
• AI 不会取代翻译员
• Airflow 2.7 现已发布
• 如何在 Airflow DAGs 中跳过任务
• 人工智能在政府反腐败中的积极作用
• AI 的句子嵌入，揭密
• 大型语言模型，ALBERT——用于自监督学习的轻量级 BERT
• 混叠：你的时间序列在对你撒谎
• 所有语言并非（tokenized）平等
• 了解上下文学习的所有信息
• 关于向量数据库及其如何增强你的 LLM 应用，你需要了解的一切
• 构建你的第一个 LLM 应用所需知道的一切
• 开发大型语言模型所需了解的一切
• 关于 Dask 数据框分区大小的几乎所有信息
• 数据驱动故事讲述的替代可视化
• p 值标准的替代方法（带 R 代码）
• 线性回归的易懂推导
• 通过推文对我们邮政服务的 AI 驱动分析
• 一种替代的大型数据集特征关系可视化方法
• 使用 Python 分析顶级科技 YouTube 频道
• 轻松掌握 SQL 中的移动平均和累积总和
• 加速你的 dbt 在 BigQuery 上的运行的简单方法
• 进入 HuggingFace 的切入点
• 使用 Transformer 的序列建模示例
• VGG 的实现
• An imPULSE to Action: A Practical Solution for Positive-Unlabeled Classification
• 强大的优化技术简介：模拟退火
• 协方差和相关性的介绍
• 深度学习在序列数据中的应用介绍
• 大型语言模型加载简介
• OpenAI 函数调用简介
• 《Pandas 用户的 Polars 介绍》
• 对 ChatGPT 等模型如何工作的直观理解
• 逆倾向加权在因果推断中的直观解释
• 赠献给我的物理学博士学位。
• 2024 年 Microsoft Fabric 概述
• 使用 InterpretML 分析 NYC Yellow Taxi 乘车记录
• 分析工程学介绍
• 使用 Python 分析北极冰趋势
• 分析在 Power BI 和 DAX 查询中聚合数据的性能
• 用 E-utilities 和 Python 分析科学出版物
• 使用自然语言处理和知识图谱分析您的网站
• 分析加州电动汽车的采纳率
• 分析 Chess960 数据
• 从数据科学的角度分析 FC 巴塞罗那的防守
• 使用 Python 分析地理空间数据
• 使用 Python 分析地理空间数据（第二部分 - 假设检验）
• 使用 ChatGPT 代码解释器分析人道主义数据的非结构化 Excel 表格
• 基于 LLM 的聊天机器人应用程序的结构：单体架构与微服务架构模式
• SQL 窗口函数的结构
• 动物收容所分析实践：Shelter Animals Count 的影响
• 使用 Plotly Express 动画地图
• 用 Python 动画化空间移动
• 使用自动编码器方法在 TensorFlow 和 Keras 中进行异常检测
• 使用 Sigma 规则进行异常检测：构建您自己的 Spark 流处理检测
• 使用 Sigma 规则进行异常检测（第一部分）：利用 Spark SQL 流处理
• 使用 Sigma 规则的异常检测（第二部分） Spark 流-流连接
• 使用 Sigma 规则进行异常检测（第三部分）基于布隆过滤器的时间相关性
• 使用 Sigma 规则进行异常检测（第四部分）：Flux 电容器设计
• 使用 Sigma 规则进行异常检测（第五部分）：Flux Capacitor 优化
• 异常根本原因分析 101
• 另一种（符合性）预测概率分布的方法
• 蚁群优化算法的实际应用
• 拟人化 AI：人类在错误的地方寻找同理心
• Apache Spark MLlib 与 Scikit-learn：构建机器学习流水线
• Apache Spark 优化技术
• API 101：后端的秘密通道
• Apple M2 Max GPU 对比 Nvidia V100、P100 和 T4
• 应用强化学习 III：深度 Q 网络（DQN）
• 应用强化学习 IV：DQN 的实现
• 应用强化学习 V：用于连续控制的归一化优势函数（NAF）
• 应用强化学习 VI：用于连续控制的深度确定性策略梯度（DDPG）
• 应用和使用正态分布进行数据科学
• 应用大型语言模型于表格数据以识别漂移
• 将 LLM 应用于企业数据：概念、关注点和热点观点
• “近似预测”使特征选择极大地加快
• 2024 年 4 月特刊：人工智能能否被治理？
• Araucana XAI：利用决策树在医疗保健中的局部解释性
• 数据科学家角色的原型
• 人工智能驱动的安全运营架构，具有低误报率
• 专家系统是否已经过时？
• Python 中的全局变量真的全局吗？
• 大型语言模型（LLMs）生成的提示可靠吗？
• 你还在使用 Elbow 方法吗？
• *args, **kwargs 和一切介于两者之间
• Args 与 kwargs：在 Python 中调用函数的最快方式是什么？
• 人工蜂群 — 它与粒子群优化的不同之处
• 数据分析中的人工智能
• arXiv 关键词提取与分析管道，使用 KeyBERT 和 Taipy
• 使用 NASA 的太空研究评估全球温度异常 - 第二部分
• 使用维也纳开放数据门户评估城市绿地平等性
• 无监督学习中的关联规则挖掘
• LangChain 和 LLMs 的异步处理
• 从对齐中获得的注意力，实际解释
• 使用 Python 进行深度学习的音频分类
• 音频数据占据中心舞台
• AudioGPT — 探索未来音乐创作的前景
• 利用大语言模型（LLMs）完善推荐知识图谱
• 用 RAG 增强 LLM
• 八月刊：数据科学家的夏季读物
• 作者使用条款和条件
• Auto-Sklearn：如何通过自动化机器学习提升性能和效率
• 深度神经网络部署的自动调整
• 使用 GitHub Actions 自动化机器学习部署
• 使用 MLflow 在 Databricks 中自动化 ML 模型的再训练和部署
• Python 中的自动化特征工程
• 使用 GitHub Actions 进行自动化 Python 应用程序测试
• 使用 CleanLab 自动检测数据集中的标签错误
• 使用 Terraform 自动管理数据管道基础设施
• AutoML — 让机器学习为您的模型选择加速
• 避免神经网络过拟合：深度探讨
• 避免在职业转型进入数据科学时的倦怠
• 2023 年值得掌握的精彩数据科学工具：数据分析版
• 数据科学 AWS 基础：计算
• 《Azure 机器学习工作室简介》
• 基础回顾，第二部分：梯度下降
• 回到基础，第三部分：逻辑回归
• 回归基础，第一部分：线性回归和成本函数
• 回到基础知识：Probit 回归
• 回填精通：提升数据工程专业技能
• 反向传播：逐步推导
• 不良的机器学习模型仍然可以被良好校准
• 平衡行动：解决推荐系统中的受欢迎度偏见
• 平衡创新与可持续性：揭示生成 AI 的环境影响
• 在大语言模型（LLM）时代平衡创新与安全性和隐私
• 作为分析团队在紧急性与可持续性之间取得平衡
• Bash 处理速度很重要
• 批量化赌博机问题
• 批量 K-Means 与 Python Numba 和 CUDA C
• LLM 巨头之战：Google PaLM 2 对比 OpenAI GPT-3.5
• 贝叶斯 AB 测试
• 使用 Pyro 的贝叶斯 AB 测试
• 在 SQL 中使用“NOT IN”要小心
• Beam Search: 序列模型中使用最广泛的算法
• 通过可视化掌握 Python 装饰器
• 初学者友好的数据科学读物（高级从业者也会喜欢）
• 初学者教程：在 Microsoft Azure 中将 GPT 模型与公司数据连接
• PySpark 线性回归初学者指南
• 初学者指南：必知的 LightGBM 超参数
• Behind the Millions: Estimating the Scale of Large Language Models
• 深度学习神经网络在图像分类中的幕后故事
• 使用交叉验证和 Matplotlib 在 Python 中对机器学习模型进行基准测试
• 使用 Criterion 基准测试 Rust 编译器设置
• 机器学习中的伯克森悖论
• 大型语言模型：BERT — Transformer 的双向编码器表示
• BERT 与 GPT：比较 NLP 巨头
• BERTopic：v0.16 有什么特别之处？
• BERxiT: 适用于 BERT 的早期退出
• PySpark 中最好的数据整理函数
• 学习强化学习的最佳资源
• Python 开发的最佳实践
• 提示工程的最佳实践
• 如何利用 ChatGPT 更快地学习数据科学，即使你已经很先进
• Beta 分布：贝叶斯标定的基石
• 大规模生产自主驾驶中的 BEV 感知
• 注意在模型评估中数据的不可靠性：一个关于 Flan-T5 的 LLM 提示选择案例研究
• 超越准确性：在长期用户留存中拥抱偶然性和新颖性的推荐
• 超越准确性：探索机器学习模型全面评估的异域指标
• 超越条形图：桑基图、圆形打包和网络图中的数据
• 超越流失预测和流失提升
• 超越英语：实现多语言 RAG 解决方案
• 人工智能如何用来预测和解释学生表现？
• 超越 LLaMA：开源 LLMs 的力量
• 超越 NeRF（第一部分）
• 超越 NeRFs（第二部分）
• 超越 Numpy 和 Pandas：释放鲜为人知的 Python 库的潜力
• 超越精确度和召回率：深入探讨 Tversky 指数
• 基础知识之外：使用 Jax 的强化学习 — 第一部分：介绍和核心概念
• 超越基础知识：使用 Jax 的强化学习 —— 第二部分：开发一种替代 A/B 测试的利用性方法
• 什么是 t 分布
• 超越炒作：生成式 AI 如何改变软件开发
• 超越数字：软技能在数据分析中的关键作用
• 超越图灵测试：AGI 未来的两个情景
• 超越 VIF：用于偏差缓解和预测准确性的共线性分析
• 超越温暖的拥抱：深入了解 Hugging Face
• 超越变压器：PyNeuraLogic 的未来
• Bi-LSTM+Attention 用于建模 EHR 数据
• 偏见、毒性与大型语言模型（LLMs）的监禁
• 推荐系统中的偏差：主要挑战与最新突破
• 大数据文件格式解释
• BigQuery 最佳实践：释放数据仓库的全部潜力
• BigQuery 优化策略 3：表格扁平化
• 自行车共享系统在塔尔图的 Metallica 音乐会中的运作
• 黑箱化学过程优化
• 使用 Black 和 GitHub Actions 维护干净的 Python 代码
• 图像融合的最简明指南 (CV-03)
• 书评：《设计机器学习系统》
• 通过有效的特征工程技术提升机器学习模型性能
• 使用 Rust 扩展提升你的 Python 代码
• 处理交叉验证中的增强样本数据
• 通过将 GAN 与扩散模型交叉提升图像生成
• 提升模型准确性：我在 Spotify 机器学习论文中学到的技术（+代码片段）
• 提升 PyTorch 在 CPU 上的推理：从训练后量化到多线程
• 提升 Spark 联合运算符性能：改进查询速度的优化技巧
• 使用大型语言模型提升表格数据预测
• Bootstrap（自助法）入门
• 使用 GPT-4 进行标签自助标注
• Boto3 与 AWS Wrangler：使用 Python 简化 S3 操作
• Branches Are All You Need: Our Opinionated ML Versioning Framework
• 打破界限：探索 LLM 的函数调用
• 用一种新的 AI 模型打破蛋白质设计的界限，该模型理解与任何类型分子的相互作用
• 什么是组合优化？
• 广义线性模型介绍
• 解构 YouTube 的推荐算法
• 用 ReLU 打破线性
• 利用这个 Python 库弥合数据与人类之间的差距
• 跨领域桥接：将金融、隐私和软件最佳实践融入机器学习风险管理
• 对应分析简要介绍
• 将正确性带回机器学习
• 冒泡排序解释——数据科学家的算法指南
• Python 中的错误？pdb来拯救！
• 使用 PostgreSQL、FastAPI 和 Docker 构建一个后端
• 使用这个技巧构建更好的条形图
• 使用 Reflex 在纯 Python 中构建一个类似 ChatGPT 的 Web 应用
• 使用 Numpy 从零开始构建卷积神经网络
• 如何为任何团队规模构建数据科学战略
• 在你的 WhatsApp 聊天中构建一个语言模型
• 构建一个本地运行的语音助手
• 使用 Google Cloud Recommendation AI 构建推荐系统
• 用 Go 构建 REST API：时间序列的数据分析
• 使用 Node.js 构建语音转文本网页应用
• 使用 LangChain 和 GPT-3 构建一个透明的文档问答机器人
• 用 Jupyter 和 Mercury 构建 Web 应用
• 使用 FastAPI 和 Angular 构建 WebSocket 应用程序
• 建立并玩耍！你自己的 V&L 模型配备 LLM！
• 使用 SQL 构建客户旅程
• 构建可部署的机器学习管道
• 使用 Mercury 从 Jupyter Notebook 直接构建优雅的 Web 应用程序。
• 使用检索增强生成技术构建行业特定的语言模型
• 构建低延迟和可扩展的 ML 模型预测管道，使用 Spark Structured Streaming 和 MLflow
• 多做分析，少做仪表盘
• 使用检索增强生成构建更强大的大型语言模型
• 使用持续集成构建可靠的机器学习管道
• 使用 Python 自动化 PLAXIS 中的土壤剖面
• 为 TrailForks 构建推荐系统
• 在一个小时内构建你的第一个深度学习应用
• 使用 Streamlit 创建你自己的类似 ChatGPT 的应用
• 从零开始使用 Pytorch 构建自己的 Transformer
• 在 Python 中构建基础机器学习模型
• 使用 Athena 和 MySQL 构建批量数据管道
• 使用 Hugging Face 的 Transformer 模型构建评论毒性排序器
• 在 Julia 中构建一个符合预测的聊天机器人
• 使用 OpenAI 和 FastAPI 构建记忆微服务的对话代理
• 在 Rust 中构建跨平台 TFIDF 文本摘要器
• 建立一个自定义 GPT：教训与技巧
• 使用 Apache Spark 在 PB 规模上构建数据湖
• 构建分子属性预测的图卷积网络
• 使用 Streamlit 构建 LAS 文件数据探索应用
• 用 Hamilton 在 13 分钟内构建一个可维护且模块化的 LLM 应用堆栈
• 帮助初创公司创始人找到最佳孵化器：一个端到端的项目。
• 使用 Streamlit 构建 Medium 统计跟踪器
• 构建一个问答 PDF 聊天机器人
• 使用机器学习构建推荐系统
• 使用开源工具和 Databricks 构建单一客户视图
• 使用 LangChain、Google Maps API 和 Gradio 构建智能旅行行程建议器（第一部分）
• 使用 LangChain、Google Maps API 和 Gradio 构建智能旅行路线建议器（第二部分）
• 使用 LangChain、Google Maps API 和 Gradio 构建智能旅行行程建议器（第三部分）
• 使用 Redshift Serverless 和 Kinesis 构建流数据管道
• 从头开始构建树状 Parzen 估计器（有点像）
• 用整体思维模型构建 AI 产品
• 为企业构建人工智能战略
• 构建一个 AI 驱动的语言学习应用：从两个 AI 聊天中学习
• 建立一个能够识别我手写字的人工智能 — 第一部分
• 使用信号处理思想构建锻炼次数计数器
• 利用 GPTs 构建物理信息神经网络领域的专家 GPT
• 在 Panel 中构建交互式 ML 仪表板
• 建立分析成熟的组织（AMO）
• 利用维度建模构建更好的数据仓库：数据工程师指南
• Building Better ML Systems — Chapter 1: Every Project Must Start with a Plan
• 《构建更好的机器学习系统》—— 第二章：驯服数据混乱
• 构建更好的机器学习系统 — 第三章：建模。让乐趣开始
• 构建更好的 ML 系统——第四章：模型部署及其发展
• 因果推断的构建模块——使用 LEGO 的 DAG 方法
• 在 Python 中构建理解管道
• 在亚马逊网络服务上构建生成型 AI 应用——我的第一次经历
• 在 Python 中构建互动数据可视化：Plotly 入门
• 使用 Python 构建互动数据可视化 — 叙述的艺术
• 使用 pyvis 构建互动网络图
• 使用 OPL 堆栈构建 LLMs 驱动的应用程序
• 为企业建立机器学习操作
• 为我儿子打造的 AI 漫画视频生成器
• 从基础构建 PCA
• 在 Apache Airflow 中构建管道 - 初学者指南
• 使用深度学习构建强大的推荐系统
• 使用 LangChain 和 LLMs 的业务分析
• 但什么是 LDA？使用类似于 3Blue1Brown 的数学动画来解释。
• BYOL —对比自监督学习的替代方法
• 字节对编码初学者指南
• GitHub Actions 中的缓存
• 召唤所有函数
• 如何使用 Llama2 和 LangChain 构建本地聊天机器人
• 人工智能能克服人类的确认偏差吗？
• AI 真的能帮你通过面试吗？
• AI 能解决你的问题吗？
• LLM 能否取代金融科技经理？开发无 GPU AI 工具进行企业分析的综合指南
• Chat GPT 能下国际象棋吗？
• ChatGPT 能与领域特定情感分析机器学习模型竞争吗？
• ChatGPT 能推荐带有机器学习的电影吗
• ChatGPT 能解决背包问题吗？
• ChatGPT 能写出比数据分析师更好的 SQL 吗？
• 数据科学能找到大脚怪吗？
• 语言模型能否自制工具？
• LLM 能否取代数据分析师？构建一个 LLM 驱动的分析师
• LLMs 能否替代数据分析师？使用 SQL 获取答案
• 强化学习能否超越训练泛化？
• 合成数据能提升机器学习性能吗？
• 变换器能否学会制定策略？
• 我们能否阻止 LLMs 产生幻觉？
• 一个机器学习工程团队的碳排放
• 碳足迹：为什么常见的说法可能不准确
• 卡洛斯·阿尔卡拉斯与三大巨头
• 案例研究：将数据科学过程模型应用于实际场景
• 案例研究：使用彩虹方法进行实际标签编码
• CatBoost 回归：为我详细讲解一下
• 《抓住我，如果你能：Python 异常处理指南》
• 了解大型语言模型
• 类别特征：标签编码的问题所在
• 使用 BERT 对自由文本银行交易描述进行分类
• 因果图：面对观察数据中的致命弱点
• 通过回归估计因果效应
• 因果推断：准实验
• 因果 Python——埃隆·马斯克的推文，我们的搜索习惯，以及贝叶斯合成控制
• 因果 Python：2023 年 NeurIPS 大会上的五个新颖因果观点
• CFXplorer：反事实解释生成 Python 包
• 思维链提示促进了 LLMs 的推理能力
• LLMs 的思维链提示
• Llama 2 中的停止生成挑战
• 检测 AI 生成文本的挑战
• 中国量产自动驾驶的挑战
• 变化点检测 — 一种贝叶斯方法
• 在 DAX 测量中随着时间改变你的关注点
• 在 Power BI 中改变数据视角
• 自然语言处理中的字符编码：ASCII 和 Unicode 的角色
• 探索最终边界：完成 #30DayMapChallenge 之旅
• 绘制非参数探索：无分布假设检验的统计框架
• 讲述故事的图表：将数据可视化转变为更有意义的东西
• ChatGPT — 小心使用
• 使用贝叶斯推断与你的数据集对话。
• 聊天机器人即将颠覆音乐搜索
• 聊天机器人陷入（法律）交火中
• ChatGPT 高级数据分析用于自定义 Matplotlib 井眼日志图表
• ChatGPT 与我们面临的未来（现在）
• 推动边界：ChatGPT 在粒子物理中的应用
• ChatGPT：自动化提示评分
• 4 种你无法使用 ChatGPT 代码解释器的方法，这些方法会干扰你的分析
• ChatGPT 代码解释器：它如何节省了我几个小时的工作
• ChatGPT 数据分析——初学者指南
• ChatGPT 生成的食品行业评论：现实性评估
• GPT 是一个不可靠的信息存储库
• ChatGPT 审查 API：输入/输出控制
• 掌握 ChatGPT：使用 LLM 进行有效的摘要生成
• 开启 ChatGPT 的新维度：文本转语音集成
• 解锁 ChatGPT 分词器
• ChatGPT 的电力消耗
• ChatGPT 每次查询的能耗
• 国际象棋识别问题：深入解决方案
• 选择正确的数据库模型，让你的数据摆脱电子表格
• 选择正确的路径：流失模型与提升模型
• 为你的下一个数据科学网页应用程序选择合适的工具
• 慢性肾病预测：新视角
• CI/CD 在 AWS 的多模型端点
• 数据处理应用程序的 CI/CD 管道在 Azure 上 第一部分：容器实例
• 类别不平衡与重采样：正式介绍
• 类别不平衡：探索欠采样技术
• 类不平衡：ROSE 和随机游走过采样（RWO）
• 类别不平衡：从 SMOTE 到 BorderlineSMOTE1、SMOTE-NC 和 SMOTE-N
• 类别不平衡策略 — 带代码的视觉指南
• 机器学习中的分类：入门
• 分类指标：为有志数据科学家准备的完整指南
• 使用罗斯恩布拉特感知器进行分类
• 使用 LLM 分类源代码 — 什么与如何
• PyTorch 中的干净代码：可读性 ML 的最佳实践
• 使用 Python Pandas 清理混乱的汽车数据集
• 清理 Confluence 混乱：一个 Python 和 BERTopic 的探索
• K-Means 图像压缩的清晰、直观解释
• 一劳永逸地澄清混乱：Python 中的 args、kwargs 和星号
• 去除灰尘：卷积神经网络和迁移学习如何检测太阳能板上的灰尘
• 临床试验结果预测
• 临床试验结果预测
• CLIP：无需数据即可创建图像分类器
• CLIP — 直观且详尽的解释
• CLIP 模型及其多模态嵌入的重要性
• 关闭的 AI 模型不适合作为基准
• 接近中心性与社区：使用 Python 和 NetworkX 分析社交网络 — 第三部分
• 云优先的数据科学：分析和建模数据的现代方法
• 致力于数据科学家的聚类分析
• 合作图神经网络
• 在你的本地硬件上理解代码
• 编程曾经很难，直到我学会了这两件事！
• 数据科学中的认知偏见：类别规模偏见
• 使用 Lang-SAM 和深度学习在图像中求和硬币值
• 协整与相关性
• 在 Raspberry Pi 上使用 Apache Airflow 收集数据
• 大学篮球的 NET 排名解析
• 大学橄榄球会议重组 — 聚类
• 大学橄榄球联盟重组——Python 中的探索性数据分析
• 大学橄榄球联盟重组——node2vec
• 大学橄榄球会议重组——回归分析
• 线性规划中的列生成与切割库存问题
• 与Dropout 正则化对抗过拟合
• 将 dbt 模型合并为一个单一目标表
• 为 Llama 2 组合多个 LoRA 适配器
• 在 Power BI 中将实际数据和预测数据结合成一条连续的线
• 在 Python 中结合多进程和异步编程以提升性能
• 结合开放街道地图和 Landsat 开放数据来验证绿色区域
• 结合传统的基于线程的代码和 Python 中的 asyncio
• 命令行接口（CLI）教程 — 高级用户如何与计算机交互
• 使用 sysargv、argparse、docopts 和 Typer 的命令行接口
• 常见 AB 测试错误。第 2 卷
• 如何在 BigQuery 中比较两个表的相等性
• 比较和解释 HuggingFace 扩散模型
• 使用 python 对比苹果和橘子
• 比较激光衍射与咖啡颗粒成像
• 比较 Python 中的列表推导式与内置函数：哪种更好？
• 比较异常值检测方法
• 完整的 Python 缓存指南
• 完整实现一个用于图像识别的迷你 VGG 网络
• 复利与指数分布
• 理解列表推导式以编写更简洁、更快速的 Python 代码
• Python 中的并发与并行综合指南
• 排名评估指标的综合指南
• 综合时间序列探索性分析
• 计算一组地点坐标的距离矩阵（Python 实现）
• Python 中的并发
• 同时在 Spark 上训练多个时间序列模型，使用 XGBoost
• Conda 太慢了？试试 Mamba！
• 基于状态的维护：雨流计数
• 置信区间与预测区间
• 配置用于空间分析的最小 Docker 镜像与 Python
• 根据您的需求配置 Nemo-Guardrails：一种大型语言模型的替代方法
• 机器学习分类中的符合预测——从基础开始
• 时间序列预测中的保形预测
• 数据中的偏见（仍然）难以应对——但却是必要的
• 面对数据与分析行业中的冒名顶替综合症的现实
• 恭喜你完成了 CLV 预测模型——接下来你打算怎么使用它？
• 使用 Tenacity 在 Python 中征服重试：完整教程
• 意识解耦：存储、计算和现代数据架构的“远”有多远？
• 约束优化与 KKT 条件
• 约束编程解释
• 为 AI 代理启用市场：发现和匹配
• 《构建决策树分类器：从头构建决策树模型的全面指南》
• 使用 H3 和 Plotly 构建六边形地图：全面教程
• 容器：它们如何在幕后工作以及为何它们正在主宰数据科学世界
• 上下文丰富数据：深度学习模型的秘密超能力
• 使用 NLP 进行上下文文本校正
• 数据平台的持续集成和部署
• 持续学习：数据科学家的漫长旅程
• 通过敏捷数据科学项目管理控制人工智能成本
• 可控医学图像生成与 ControlNets
• 便捷的贝叶斯营销组合建模与 PyMC Marketing
• 使用 Stable-Baselines3 进行便捷的强化学习
• 概率收敛或分布收敛
• 使用 LangChain 将对话作为有向图
• 将平坦表格转换为 Power Query 中的良好数据模型
• 将文本转换为数值形式的 TFIDF 向量化器：逐步指南
• 将井测数据从 DLIS 文件转换为 LAS 文件格式
• 卷积解释——卷积神经网络简介
• 卷积网络 — 直观且详尽的解释
• 卷积神经网络入门
• 卷积自编码器与前馈自编码器在图像去噪中的比较
• 在 PyTorch 中制作你的第一个 U-Net
• 使用 Snowflake 进行数据处理
• Copulas：时间序列预测中的基本指南与应用
• 正确采样偏差的推荐系统
• 相关系数以及如何误解一个关系
• 相关性——当 Pearson 的 r 不足以满足需求时
• CountVectorizer 提取文本特征的详细教程
• 优惠券收集者问题：一个概率杰作
• 勇敢学习机器学习：深入探讨 F1 分数、召回率、精确度和 ROC 曲线
• 勇敢学习机器学习：最常见损失函数的深入指南
• 勇敢学习机器学习：解码似然、MLE 和 MAP
• 勇敢学习机器学习：揭开 L1 和 L2 正则化的面纱（第三部分）
• 勇敢学习 ML：揭示 L1 和 L2 正则化（第四部分）
• 学习机器学习的勇气：揭开 L1 与 L2 正则化的神秘面纱（第二部分）
• 破解 Hugging Face Transformers 库
• 破解 OpenAI（Python）API
• 破解代码 LLMs
• 破解员工流失问题的机器学习方法
• 使用大语言模型制作有效总结提示
• 使用 Matplotlib 创建 3-D 银河艺术
• 用 3 步创建一个带有超级快速 Rust 代码的 Python 包
• 创建一个可持续的供应链优化网络应用
• 创建并部署一个提取图像主要颜色的 REST API
• 创建和探索数据科学中角色和薪资的图景
• 使用 Matplotlib 创建凸形图
• 使用 Matplotlib 创建引人注目的径向条形图
• 用 Tkinter 创建银河艺术
• 创建一个本地 dbt 项目
• 使用 PySpark UDFs 在合成表中创建多对一关系
• 使用 AWS Cloudformation 创建 MySQL 和 Postgres 实例
• 使用 Python 创建惊艳的分形艺术：初学者与数学爱好者的教程
• 使用 Matplotlib 创建惊艳的雷达图
• 使用 Folium 创建量身定制的旅游地图
• 创建你自己的生成 AI 文本到图像 API
• 在 SageMaker Studio 中创建你自己的大语言模型实验室
• 在 AWS 上快速创建你自己的稳定扩散 UI
• 几分钟内免费创建你自己的惊艳网站
• 使用 LLaVA 创建你的视觉聊天助手
• 从 RGB 视频创建 3D 视频
• 使用 Spark、Google Cloud Storage 和 Big Query 创建数据管道
• 创建荷兰语问答机器学习模型
• 在 Python 中创建梯度下降动画
• 创建一个具备维基百科知识的 LLaMa 2 代理
• 在 Excel 中使用 VBA 创建项目更新跟踪器
• 创建一个透明的数据环境与数据血统
• 使用 AWS 和 Apache Airflow 创建 YouTube 数据管道
• 使用 Matplotlib 创建信息图
• 为绝对初学者创建和发布自己的 Python 包
• 使用 Python 和 Sklearn 创建 4 种基于质心的聚类算法的动画
• 在 TensorFlow 中创建自定义损失函数：理解理论与实际应用
• 使用 Plotly 创建动态区域图可视化
• 在 Python 中创建分形
• 使用 Python 的 Plotly 和 Folium 库创建地理空间热图
• 使用 dtreeviz 创建令人惊叹的决策树可视化
• 使用 Spark 和 Tableau Desktop 创建富有洞察力的仪表板
• 使用 QGIS 创建地图
• 在远程工作的时代培养新的数据科学家
• 使用 scienceplots 和 matplotlib 轻松创建科学图表
• 使用 PCA 创建评分和排名
• 在 Grafana 中创建时间序列图
• 创建你自己的 ChatGPT 无需编码——一步步指南
• 使用 GPT 和 Whisper 创建个性化语音助手
• 伦理和可解释性 AI 的关键工具
• 跨越人工智能鸿沟：OpenAI 如何将 LLMs 转变为主流成功
• 跨越桥梁：学术界与工业界数据科学的比较
• CRPS — 贝叶斯机器学习模型的评分函数
• 与 Pinecone 的 CRUD 操作
• 通过 Pandera 培养数据科学中的数据完整性
• 机器学习风险管理的文化能力
• 维度诅咒：直观探索
• 使用 Apache Spark PrometheusServlet 自定义 Kafka 指标
• 自定义 ChatGPT API 的记忆功能
• 在 scikit-learn 中的自定义评分函数
• 客户满意度测量与 N-gram 和情感分析
• 客户细分：不仅仅是聚类
• 使用 Matplotlib 自定义颜色图
• 自定义您的基于云的机器学习训练环境 — 第一部分
• 定制你的云端机器学习训练环境 — 第二部分
• Cutout、Mixup 和 Cutmix：在 PyTorch 中实现现代图像增强
• 赛博朋克风格的 Matplotlib 图表
• 使用 D-Tale 快速轻松地进行井日志数据的探索性数据分析
• 日常站会可能不会提升团队的敏捷性
• DASC-PM：数据科学项目的新型流程模型
• 仪表盘已经死了：三年后的回顾
• 数据访问 API 无需复杂性即可访问数据湖表
• 使用 Pandas 进行 Python 中的数据汇总：分析地质岩性数据
• 数据利他主义：企业引擎的数字燃料
• 数据分析变得简单：使用 LLMs 自动化繁琐任务
• 数据分析师数据清洗指南
• 数据即产品：从概念到现实
• 数据一览：为数据分析创建动态仪表板
• Python 中的音频数据增强技术
• 2023 年你需要知道的数据热词 — 第二部分
• HuggingFace 中的数据整理器
• 计算机视觉数据整理指南
• 数据民主化：大型公司采纳的 5 种“人人数据”策略
• 数据文档 101：为何？如何？为谁？
• 数据驱动的调度
• 数据工程：一级方程式启发的初学者指南
• 数据工程书籍
• 数据工程：在单个旧 GPU 上进行大约 2 亿行的快速空间连接
• 数据工程面试问题
• 数据工程：为什么这不仅仅是关于你使用的工具
• 数据熵：数据越多，问题越多？
• Julia 中的数据过滤：你需要知道的一切
• 数据治理，但要将其作为团队运动
• 时间序列数据库的数据集成策略
• 数据是语言模型的基础
• 解读 2023 年数据职位市场：数据是否表明过度饱和还是机会？
• 数据泄漏：它是什么，为什么会导致我们的预测系统失败
• 《使用 Python 和 SQL 掌握数据：通过 4 个战略应用案例释放效率和安全性》
• 数据建模的初学者，第一部分：什么是数据建模？
• 数据建模入门 — 第二部分：维度建模基础
• 数据建模技术用于数据仓库
• 数据工程师的数据建模
• 数据可观察性：分析与机器学习团队的应用
• Python 中的数据导向编程
• 数据管道设计模式
• 数据管道编排
• 数据管道与 Airflow 和 AWS 工具（S3、Lambda 和 Glue）
• 使用 Polars 构建的数据管道：逐步指南
• 数据平台架构类型
• 机器翻译的数据预处理
• 实用数据质量审计：综合指南
• 杀死你机器学习模型的数据质量问题
• 数据科学最佳实践，第一部分——测试你的查询
• 数据科学职业路径、技能与特别项目：我们 2023 年的最佳阅读
• 数据科学专业知识以多种形式和形状出现
• 数据科学造福社会：超越利润，迈向更美好的世界
• 拉曼光谱的数据科学：一个实际示例
• 小公司与大公司中的数据科学
• 数据科学不是科学
• 数据科学项目通过 KPI 达成精通
• 数据科学团队的顶层设计
• 数据科学技术以提升营销活动
• 数据科学：现代经济学的支柱
• 数据科学家面试指南
• 数据科学家：首先是问题解决者，其次是算法魔术师
• 数据共享挑战：隐私和安全问题
• 数据讲故事基础：数据科学家和 AI 从业者的核心策略
• 数据讲故事与动态词云
• 数据流处理令人兴奋：在跳入之前你需要了解的事项
• 数据，优化：如何构建更好的产品、工作流程和团队
• 数据团队作为支持团队
• 数据告诉我们“是什么”，而我们总是寻求“为什么”
• 你是数据票务处理者还是决策制定者？
• 现代数据科学家的数据版本控制：你不能忽视的 7 个 DVC 概念
• KNIME 的数据可视化
• 数据库和数据建模 — 一个快速入门课程
• DataHub 实操 第二部分
• 训练、验证和评估机器翻译的数据集
• SQL 中的日期和子查询
• 如何在 Pandas 中更改日期时间格式
• 去噪声器的黎明：用于表格数据插补的多输出机器学习模型
• dbt CLI 模型选择
• dbt Core、Snowflake 和 GitHub Actions：数据工程师的个人项目
• dbt 增量模型——正确的方式
• 解码：用简单英语解释 Transformers
• 处理转化指标？考虑使用 Beta-二项式模型
• 处理 Python 数据框中的日期，第一部分 — 日期系列创建
• 处理 Python DataFrame 中的日期 第二部分——基础知识
• 使用 Python 处理 MRI 和深度学习
• 亲爱的数据科学家，请保持组织有序！
• 调试和调整 Amazon SageMaker 训练任务与 SageMaker SSH 帮助工具
• Pytest 教程：单元测试简介
• 使用 Docker 调试 SageMaker 端点
• Decent Espresso DE1Pro vs Kim Express：第 2 轮
• 决策分析与 Python 中的决策树——奥克兰运动员队的案例
• 决策科学与设计的结合
• 决策树回归器——Scikit Learn 的可视化指南
• Excel 中的决策树回归
• 分类决策树——完整示例
• 决策树：介绍与直观理解
• 解码 Auto-GPT
• 解码 LLMs：从零开始在 Python 中创建 Transformer 编码器和多头注意力层
• 解码 NumPy 的点积：对维度魔法的简要探索
• 大型语言模型中的解码策略
• 生成式 AI 中的任务概念：智能系统的构建模块
• 解码数据科学家层级：从初级到高级——是什么使他们与众不同？
• 解码曼哈顿计划的网络：揭示科学、合作与人类遗产
• 解码声音交响曲：用于音乐工程的音频信号处理
• 解码美国参议院对 AI 的监督听证会：Python 中的 NLP 分析
• 面向 ChatGPT 的 LLM 聊天机器人解耦前端——后端微服务架构
• 深度确定性策略梯度（DDPG）解释
• 深入了解 ESA 的哨兵 API
• 深入探讨 Apache Spark 数据倾斜的处理方法
• 深入探讨 pandas Copy-on-Write 模式：第一部分
• 深入探讨 pandas Copy-on-Write 模式—第 II 部分
• 深入探讨 Pandas 的 Copy-on-Write 模式 — 第三部分
• 深入探讨模型可解释性的 PFI
• 深入研究 Softmax 回归
• Deep GPVAR：升级 DeepAR 实现多维度预测
• 深度学习用于预测：数据预处理和训练
• 推荐系统中的深度学习：入门指南
• 深度强化学习改进了排序算法
• 对简单线性回归的深刻理解
• 定义通用人工智能
• 定义可解释的特征
• Delta Lake — 自动模式演变
• Delta Lake：删除向量
• Delta Lake：保持快速和清洁
• Delta Lake — 分区、Z-Order 和 Liquid Clustering
• 民主化 AI：MosaicML 对开源 LLM 运动的影响
• 使用 AWS SageMaker AutoML 实现机器学习的民主化
• 解密数据回填
• 揭示贝叶斯模型的奥秘：通过 SHAP 值揭示可解释性
• 揭示依赖关系及其在因果推断和因果验证中的重要性
• 揭秘 DreamBooth：一种个性化文本到图像生成的新工具
• 解密 GQA — 高效 LLM 预训练的分组查询注意力
• 破解 Matplotlib 的神秘面纱
• 揭开 NDCG 的面纱
• 揭开旋转矩阵的神秘面纱
• 解密随机森林
• 将自定义 ML 模型部署为 SageMaker 端点
• 学习如何使用 Langchain 和 BentoML 构建和部署一个语音聊天机器人
• 部署容器化的 Plotly Dash 应用程序与 CI/CD (P2: GCP)
• 直接从你的 Jupyter Notebook 部署机器学习模型
• 使用 Triton 部署本地 GPT 服务器
• 在本地使用 Docker 部署自己的 MLflow 工作区
• 使用 Streamlit 部署您的时间序列预测模型
• 在 Amazon SageMaker 上部署 Cohere 语言模型
• 部署 Falcon-7B 进入生产环境
• 使用 HuggingFace TGI 部署大型语言模型
• 在 Amazon SageMaker 上使用 DJL Serving 部署 LLMs
• 使用 SageMaker Pipelines 部署多个模型
• 使用 Nvidia Triton Inference Server 部署 PyTorch 模型
• 使用 Terraform 部署 SageMaker 端点
• 在 Power BI 中与 sklearn 机器学习模型互动
• 在 GCP 无服务器架构上部署 TFLite 模型
• 使用 Python 进行深度感知的对象插入视频
• 推导显示地理区域相对社会经济优势和劣势的评分
• 设计模式与 Python：构建器
• 《Python 机器学习工程师的设计模式：原型》
• 设计多方交互的对话代理
• 设计运筹学解决方案：一个用户友好的 Streamlit 路由应用
• 解密 Curvelets
• 使用 AI 和计算机视觉检测癌症增长
• 检测协变量偏移：多变量方法指南
• 检测生成式人工智能内容
• 使用 Python 检测实际数据中的幂律
• 使用自编码器检测信用卡欺诈
• 确定性与概率性深度学习
• DETR（用于目标检测的变换器）
• 在 Power BI 中开发和测试 RLS 规则
• 🦜🔗 LangChain：开发由语言模型驱动的应用程序
• 开发你的第一个 AI 代理：深度 Q 学习
• 使用 Python 开发你自己的拼写检查工具包
• 使用 NASA 的 Power API 创建气候 GPT
• 开发公司特定的 ChatGPT 是技术的三分之一和流程改进的三分之二
• 为研究论文消化开发的自主双聊天机器人系统
• 如何为 2v2 游戏创建基于数据的 Elo 评级系统
• 使用 Spark 和 Plotly Dash 开发互动且富有洞察力的仪表板
• 开发科学软件
• 开发科学软件
• 细节决定成败：通过跳出框框思维成为 Power BI 大师
• 训练 LLMs 的不同方式
• 作为 Pytorch 神经网络层的微分方程
• 扩散概率模型与文本到图像生成
• 使用 Python 和 MySQL 进行数字营销分析
• Dijkstra 算法在 OSM 网络中按旅行时间加权
• 维度缩减：面对维度诅咒
• DINO — 计算机视觉的基础模型
• 方向改善图学习
• Dirichlet 分布：基础直观理解及 Python 实现
• 通过物理信息神经网络和符号回归发现微分方程
• 发现最大流-最小割定理：一种全面而正式的方法
• 在强化学习中离散化连续特征
• 揭示真实数据离散度的两个指标超越标准差
• 解剖 Twitter 顶级声音的覆盖范围和影响力
• 我的简历策略如何让我进入了 0.1%被录取的申请者——这是终极指南
• 大型语言模型：DistilBERT——更小、更快、更便宜、更轻便
• PyTorch 中的分布式数据并行和分布式模型并行
• Vertex AI 流水线中的分布式超参数调优
• 在 CPU 上分布式运行 Llama 2
• 深入了解 LoRA 适配器
• DL 笔记：高级梯度下降
• 在 AWS Inferentia 上进行深度学习训练
• 所有道路都通向罗马吗？
• 离散化的量子比特在实际中有效吗？
• 更多的比赛是否意味着更多的胜利？
• 不要仅仅使用 ChatGPT 来“总结文本”
• 通过这 5 个简单的方法，让你的数据科学家简历脱颖而出
• 你真的需要一个特征存储吗？
• 现代数据科学家的 Docker：2023 年你不能忽视的 6 个概念
• 将 Apache Zeppelin 和 Apache Spark 容器化以便于部署
• 面向文档的智能体：与向量数据库、LLMs、Langchain、FastAPI 和 Docker 的探索之旅
• 使用大型语言模型（LLM）和潜在狄利克雷分配（LDA）算法的文档主题提取
• 人工智能是否有政治观点？
• Bagging 是否有助于防止决策树的过拟合？
• 雨能预测雨吗？美国气象数据及今天和明天降雨的相关性
• 您的 LLM 流水线达到了您的目标吗？
• 大型语言模型的领域适配
• 领域适应：微调预训练的 NLP 模型
• 使用 Pandas 数据框更有效地进行 7 种顶级列操作
• 在申请科技公司之前，先掌握这 6 项必备的数据科学技能
• 不要害怕超越在线编程课程
• 不要忘记你的 ML 产品的置信区间
• 别忘了 Python 是动态的！
• 不要让你的第一个 AI 项目在推出时陷入困境
• 不要在没有这 5 个必做步骤的情况下开始你的数据科学之旅——Spotify 数据科学家的完整指南
• 双重机器学习简化版：第一部分 — 基本的因果推断应用
• 双重机器学习，简化版：第二部分 — 目标设定与 CATE
• 使用 Python 下载 Landsat 卫星图像
• 自动驾驶中的可驾驶空间 — 学术界
• 通过精心设计指标推动运营成功
• 通过可操作的分析驱动产品影响
• 任何时间序列模型的动态符合区间
• 在 Power BI 中使用字段参数进行动态过滤
• 从 Python 调用 R 进行动态预测组合
• Kubernetes 中的动态 MIG 分区
• 使用上下文强盗进行动态定价：通过实践学习
• 使用多臂老虎机进行动态定价：通过实践学习
• 从头开始的动态定价与强化学习：Q-Learning
• 动态重连的延迟消息传递 GNNs
• 电子商务：谁最有可能转化？
• 地球并非平坦，你的 Voronoi 图也不应该是
• 使用 Cloud Workflows 和 Cloud Scheduler 轻松构建事件提醒
• 使用 Tiktoken 轻松估算你的 OpenAI API 成本
• 使用 Hydra 的 Optuna 调优器来调节 RL 超参数
• 使用 Pydantic 轻松验证用户生成的数据
• 使用 Python AI 轻松编辑背景
• 简单 CDK 深度学习 EC2 实例
• 时间序列的简易分布无关保形区间
• 在 OpenCV Python 中进行简单的边缘检测方法
• 使用 Polars 进行 EDA：针对 Pandas 用户的逐步指南（第一部分）
• 使用 Polars 进行探索性数据分析：聚合和分析函数的逐步指南（第二部分）
• 边缘情感识别：通过实时语音分析提升人机互动
• 使用 Python 进行有效的日期和时间编码
• 有效的数据增强用于 OCR
• 有效的数据可视化：9 个有价值的技巧，提高图表质量
• 使用 Ray 在 Amazon SageMaker 上实现有效负载均衡
• Python 中的有效单元测试 — 带示例
• 通过主动学习 + 重新标注有效标注 Transformer 的文本数据
• 有效优化你的回归模型与贝叶斯超参数调优
• 有效地使用 %timeit、%lprun 和 %mprun 来编写高效的 Python 代码
• 数据科学中的高效编码：轻松调试 Pandas 链式操作
• 高效深度学习：释放模型压缩的力量
• 使用 PyTorch 的高效图像分割：第一部分
• 使用 PyTorch 进行高效图像分割：第二部分
• 使用 PyTorch 进行高效的图像分割：第三部分
• 使用 PyTorch 高效图像分割：第四部分
• 使用 NumPy 实现高效的 k-近邻（k-NN）解决方案
• 使用瓶颈适配器进行高效模型微调
• 在 Neo4j 中高效的语义搜索
• 高效服务开源 LLM
• 荷兰电动车：使用 Python 和 SQLAlchemy 的探索性数据分析（第二部分）
• 荷兰的电动汽车：使用 Python 进行探索性数据分析
• 使用 spacy-llm 进行优雅的提示版本管理和 LLM 模型配置
• 提升你的商业分析：季节调整的逐步指南
• 提升你的数据科学职业生涯：如何成为一名高级数据科学家
• Elliot 激活函数：它是什么，它有效吗？
• 嵌入技术：ChatGPT 的秘密武器
• 嵌入 + 知识图谱：RAG 系统的终极工具
• 迎接自动化重新训练
• Embracing Julia: An Invitation Letter
• 拥抱叙事数据可视化的艺术
• 人工智能中的涌现能力：我们在追逐一个神话吗？
• 表情符号有助于社交媒体情感分析：不要再清除它们了！
• 赋能公平：识别与解决生成模型中的偏见
• 通过对话式数据访问创造信息优势
• 使用 MLflow 的端到端 ML 管道：追踪、项目和服务
• 使用 GPT-3.5 进行端到端的机器学习
• 关于 12 年数据之旅的年终报告
• 能源供应与需求优化：使用 Gurobi Python 进行数学建模
• 上下文推荐引擎的特征工程
• 工程已永远改变
• 使用 OpenAI 的审查 API 提升 ChatGPT 的内容审查
• 通过实时图表提升您的机器学习实验工作流程
• 使用 Matplotlib 改进您的极坐标条形图
• Python 中的增强调试：追溯信息获得重大升级
• 增强的大型语言模型作为推理引擎
• 增强型目标检测：如何有效实现 YOLOv8
• 提升 ChatGPT 中 CSV 文件查询性能
• 使用实时先进物体识别技术构建乐高技术件分类器
• 增强 Python 文档：逐步指南以链接源代码
• 提升 Haystack 中的 RAG 流水线：引入 DiversityRanker 和 LostInTheMiddleRanker
• 增强 RAG 的答案：自我调试技术和认知负荷减少
• 医学信号处理中的集成平均
• 集成学习：袋装和提升
• 使用 Scikit-Learn 进行集成学习：友好的介绍
• 分类器集成：Voting Classifier
• 通过单元测试确保模型的可靠性
• 确保在 Scikit-learn 管道中正确使用变换器
• 确保可信的 ML 系统，通过数据验证和实时监控
• 娱乐数据科学：流媒体与影院
• 实体解析：识别嘈杂数据中的真实世界实体
• 熵和基尼指数简介
• 基于熵的不确定性预测
• 熵正则化强化学习解释
• 环境数据科学：介绍
• 普及生成式 AI 的环境影响
• 等规模谱聚类
• R 和 Python 的错误处理
• 机器学习中的分类问题关键评估指标
• 机器学习的必读资料
• 使用滚动回归估计时间变化系数
• 估算总体实验影响
• 机器学习项目中的伦理考虑
• 人工智能中的伦理：偏见算法的潜在根源
• ETL vs ELT vs 流处理 ETL
• 如何使用 GitHub Actions 构建简单的 ETL 流水线
• 欧洲旅行优化：遗传算法和 Google Maps API 解决旅行推销员问题
• 使用 RAGAs 评估 RAG 应用程序
• 通过图表和指标评估简单回归模型的性能
• 评估提升模型
• 推荐系统的评估指标 — 概述
• 机器学习分类器的评估
• 合成时间序列的评估
• 你需要了解的关于热图的一切——PowerBI 教程
• 关于正则化你需要了解的一切
• 你应该知道的关于评估大型语言模型的一切
• 进化算法 — 突变解释
• 进化算法 — 选择解释
• 发展数据管道测试计划
• 进化的客户流失预测：应对干预和再培训
• 精确算法还是启发式算法？
• 使用 AWS 和 Power BI 检查美国的航班
• K-最近邻的示例应用
• Python 异常处理：从基础到高级，再到技巧
• ExLlamaV2: 运行 LLMs 的最快库
• 扩展时间
• 期望校准误差（ECE）：逐步可视化解释
• 从零开始的实验编排
• 使用谷歌 AI 的 TCAV 进行可解释 AI
• 以 3 种难度级别解释向量数据库
• MEMS 传感器数据的探索性分析
• 在 R 中的探索性相关分析
• Google Sheets 中的探索性数据分析
• 探索性数据分析：揭示数据集中的故事
• 探索性数据分析：我们对 YouTube 频道了解多少（第一部分）
• 探索性数据分析：我们对 YouTube 频道了解了什么（第二部分）
• 探索 Pydantic V2 的增强数据验证功能
• 探索语料库中的语义关系与嵌入模型
• 探索 DAX 中的时间智能变体
• 探索全球野生动物 GIS 数据库
• 探索反事实洞见：从相关性到因果关系的数据分析
• 探索大型语言模型中的创造力：从 GPT-2 到 GPT-4
• 探索生成市场营销组合建模中响应曲线的不同方法
• 探索情感与人工智能、OpenAI 和探索性数据分析的关系
• 探索 CNNs 中的特征提取
• 探索 GEMBA：一种基于 LLM 的翻译质量评估新指标
• 探索大规模栅格人口数据
• 对于数据科学家来说，总有新的 Python 技能值得学习
• 探索 Numexpr：Pandas 背后的强大引擎
• 探索 TensorFlow 模型预测问题
• 使用 Python 探索 DLIS 文件的内容
• 探索语言模型对中毒攻击的脆弱性
• 探索生存分析中的事件时间
• 探索令牌概率作为过滤 GPT-3 答案的一种手段
• 探索什么让 AI 伦理工具包运转起来
• 通过 HTTP 安全地暴露 Kubernetes 卷：如何在互联网上服务 PVC
• 揭示卡尔曼滤波器的强大功能
• 扩展大规模语言模型中的上下文长度
• 从（Azure）SQL Server 大型表中提取数据到 RFC 4180 兼容 CSV 文件
• 使用 Python 从 PDF 文件中提取文本：全面指南
• 提取式与生成式问答——哪种更适合您的业务？
• 眼光放在奖品上：将商业价值置于数据项目的核心
• 使用 Python 的面部检测——面部识别的前奏
• 什么是负二项分布
• Falcon 180B：它能在你的计算机上运行吗？
• 鹰：开源大型语言模型的巅峰
• 假先知：一个自制的时间序列回归模型
• 虚假预言者：将回归模型与 Meta 的 Prophet 进行比较
• False Prophet: 自制时间序列回归的特征工程
• BigQuery 的神奇生物及其使用时机
• AWS SageMaker 中的快速和可扩展超参数调优与交叉验证
• Python 到 SQL — 我现在可以以 20 倍的速度加载数据
• 使用 Polars 进行快速字符串处理——诈骗邮件数据集
• FastAPI 和 Streamlit：你必须了解的 Python 双雄
• 使用 Ray 加速时间序列预测的训练，第三部分，共 3 部分
• FastSpeech：论文概述与实现
• 用 Python 实现的机器学习特征编码技术
• 在 Pandas DataFrame 中使用正则表达式 (RegEx) 进行特征工程
• 使用 SHAP 进行特征重要性分析：我在 Spotify 学到的（在复仇者的帮助下）
• 特征子集选择
• 特征变换：PCA 和 LDA 教程
• 二月刊：聊聊聊天机器人
• 2023 年女子世界杯通过 Plotly 可视化
• 解析数据中最不寻常的片段
• 填空自监督在自然语言处理中的应用
• 最终的 DXA-国家
• 为你的下一个数据科学侧项目寻找灵感
• 使用量子计算机寻找暗物质
• 在非结构化数据中找到数据切片
• 寻找改进的改写
• 在干草堆中找针 — Jaccard 相似度的搜索索引
• 使用分支定界找到最佳解决方案
• 利用多项式混沌扩展、使用 uncertainpy 和 chaospy 寻找混乱中的秩序
• 通过随机森林找到我们的路
• 使用地理空间关联规则挖掘发现便利店位置中的模式
• 使用 GPT-4 和 SpaCy 查找拼字游戏全字母句
• 在 Twitter 帖子中寻找时间模式：使用 Python 进行探索性数据分析
• 在 Twitter 帖子中发现时间模式：使用 Python 进行探索性数据分析（第二部分）
• 使用机器视觉找到边境通行的最快车道
• 寻找你梦想中的人工智能硕士项目
• 用 Python 微调大型语言模型
• 微调更好的聊天模型，采用蒸馏身份偏好优化（IPO）
• 在 Amazon SageMaker 上微调 MPT-7B
• 优化您的 LLM 而不会让 GPU 负荷过重
• 在 Colab 笔记本中微调你自己的 Llama 2 模型
• 微调的 LLMs 用于情感预测——如何分析和评估
• 使用 H2O LLM Studio 对 LLM 模型进行微调以生成 Cypher 语句
• 微调大型语言模型（LLMs）
• 使用 MNR 损失微调句子变换器
• FinOps：降低 BigQuery 存储成本的四种方法
• 使用 Apache Spark 进行机器学习的第一步
• 使用 Python 探索强化学习的第一步
• FitBot — 一款健身聊天机器人代理
• 五个免费且可靠的天气数据来源
• 你应该注意的五个数据泄露的隐藏原因
• 产品管理中的五种强大优先级排序技巧
• 五种实际应用 LSTM 模型于时间序列的案例，附代码
• 五个协作数据科学的软件工程原则
• 五件事 GenAI 能做和不能做的事情
• 我从第一次 R 编程活动中学到的五件事
• 处理大型动作空间的五种方法
• 修复 Prophet 的预测问题
• Flapjax: 使用 Plotly 和 Flask 进行网络数据可视化
• 关注 TDS 列表，发现我们的最佳文章
• 遵循此数据验证过程以提高数据科学准确性
• 预测多个视野：以天气数据为例
• 像大师一样预测多个时间序列
• 预测 API：一个使用 Django 和 Google Trends 的示例
• 用 Python 预测间歇时间序列
• 使用 Granger 因果关系进行预测：检查时间序列的虚假相关
• 忘掉 SQLite，改用 DuckDB——然后感谢我
• ETL 测试 — 如何正确测试你的数据管道
• 忘掉 RAG，未来是 RAG-Fusion
• 计算机视觉中的前向映射和后向映射
• 神经网络中的前向传播与反向传播
• 四种构建在生成式人工智能基础模型之上的方法
• A/B 测试中的四个常见错误及解决方法
• 自 ChatGPT 以来的四个 LLM 趋势及其对 AI 构建者的影响
• 减少分析浪费的四个步骤
• 傅里叶变换在时间序列中的应用：关于图像卷积和 SciPy
• 时间序列的傅里叶变换：去趋势
• 时间序列的傅里叶变换：使用 numpy 解释快速卷积
• 时间序列的傅里叶变换：绘制复数
• 傅里叶变换，实用的 Python 实现
• 用实体解析和图神经网络进行欺诈检测
• 无限制：在 MoMA 机器幻觉的验证
• 频率学派与贝叶斯统计学的比较
• 从算法到文字：我为何写作关于机器学习
• 从分析到实际应用：客户终身价值的案例
• 从生物学习到人工神经网络：接下来会是什么？
• 遗传算法简介
• 从商业学生到 Spotify 的数据科学家
• 从因果树到森林
• 从集中式学习到联邦学习
• 从混乱到清晰：利用大型语言模型简化数据清洗
• 数据科学中的 Docker
• 从簇到洞察；下一步
• 从数据工程到提示工程
• 从数据湖到数据网：最新企业数据架构指南
• 从数据平台到机器学习平台
• 从数据到聚类：你的聚类何时足够好？
• 从数据到市场策略：利用行为分割
• 从数据到营销策略，通过事务性细分
• 从数据仓库和数据湖到数据网格：企业数据架构指南
• 从决策树到变换器：比较马其顿餐厅评论的情感分析模型
• 从 DICOM 头到 CSV 文件
• 从乏味到惊艳：Matplotx 如何改善你的 Matplotlib 图表
• 从编码到嵌入
• 从 ETL 过渡到 ELT
• 从评估到启示：深入了解交叉验证中的样本外预测
• 从 GeoJSON 到网络图：在 Python 中分析世界国家边界
• 从黑客到和谐：在推荐中构建产品规则
• 从线性代数到深度学习的 7 本书（2024 年冬季更新）
• 从见面会到辅导：如何作为数据科学家进行网络交流
• 从数据到行动：让数据为公司服务
• 从纸张到像素：评估数字化手写文本的最佳技术
• 从 Powerpoints 到 PDFs 再到 CSV 文件：用于读取主要文件类型的 Python 类
• 从穿孔卡到 ChatGPT
• 从 Python 到 Julia：基本数据操作和探索性数据分析
• 从 Python 到 Julia：特征工程与机器学习
• 从 RAG 到财富
• 从 SQL 到 Julia：数据科学的其他编程语言
• 从感知机到 Adaline
• MLE、MAP 和贝叶斯推断的全面解释
• 统计学基础：所有数据科学家和分析师应知——带代码——第一部分
• 如何在 Pandas 数据框中进行模糊字符串匹配
• 高斯头像：总结
• 高斯混合模型清晰解释
• 高斯混合模型（GMMs）：从理论到实现
• GenAI 提升 NLP 系统 I：生成合成数据的工具
• GenAIOps：发展中的 MLOps 框架
• 强化学习中的广义优势估计
• 生成地理区域的 3D 网格
• 为数据分析生成虚假数据
• 使用 VAEs、GANs 和扩散模型生成图像
• 使用 Wikipedia 生成知识图谱
• 使用 MONAI 生成医疗图像
• 每月生成更多优质见解
• 基于词级 BERT 嵌入趋势生成句子级别嵌入
• 使用 Python 生成合成数据
• 生成式 AI 伦理
• 社会工作学生的生成式人工智能：第一部分
• 生成性 AI 对社会工作学生的介绍：第二部分
• 使用 Nougat 模型进行研究论文生成 AI
• 生成式 AI 产品策略：如何构建下一代 AI 产品
• 生成模型与噪声和结构的舞蹈
• 使用 GPT 3.5 和长期记忆的生成式问答
• 遗传算法：寻找最佳电子邮件投递时间表以最大化互动
• 天才圈子：绘制诺贝尔网络
• 群体上的几何深度学习
• 机器学习与经典统计中的线性回归几何解释
• Python 中的地理空间数据分析
• 使用 GeoPandas 进行地理空间数据分析
• 使用 OSMnx 进行地理空间数据分析
• 地理空间数据工程：空间索引
• 地理空间数据科学：点模式分析
• 地理空间索引 102
• 地理空间索引和评分：释放基于位置的数据分析的力量
• geotiff.js: 如何获取纬度-经度坐标的投影 GeoTIFF 数据
• 对 AUC 和 Harrell’s C 的直观理解
• 使用 Python 按位置获取气温数据
• 从 Pandas GroupBy 中获得最大收益
• 从 AI/ML 入手，构建智能供应链
• 开始使用 Databricks
• 入门 Great Expectations：Python 中的数据验证指南。
• 开始使用 JAX
• 开始使用 LangChain：构建 LLM 驱动应用程序的初学者指南
• 多模态入门
• 开始使用 NumPy 和 OpenCV 进行计算机视觉 (CV-01)
• 开始使用 Weaviate：初学者的向量数据库搜索指南
• 在 R 中使用 ggvanced 包的蜘蛛图和并行图
• 幽灵图像与量子位：可视化量子叠加的新方法
• Git 101 — 从术语到架构及工作流
• 数据科学家的 Git 深入探讨
• 现代数据科学家的 Git：你不能忽视的 9 个 Git 概念
• Git 标签：它们是什么以及如何使用
• GitHub 对现代数据科学家的意义：你不能 .gitignore 的 7 个概念
• GLIP：将语言-图像预训练引入物体检测
• 全球数据晴雨表：目前全球开放数据的状态如何？
• 如何在 R 中分组数据：超越“group_by”
• 使用 DAX 中的库存度量迈出下一步
• 优秀工程师、差劲工程师和恶劣工程师——数据领导者的轶事
• 告别 os.path：15 个 Pathlib 技巧迅速掌握 Python 文件系统
• 如何在 Python 中设置 GOOGLE_APPLICATION_CREDENTIALS
• Google Cloud 的 Cloud Composer 替代品
• Google Foobar Challenge: Level 3
• 谷歌生成式 AI 转型
• Google Med-PaLM：AI 临床医生
• 简单的 Google Pub/Sub 到 BigQuery 方法
• 如何使用 Python 更改 Google 表格权限
• 谷歌对多模态基础模型的最新方法
• Google 的 MusicLM：从文本描述到音乐
• GPT-3.5 更擅长翻译段落
• GPT-4 可以解决数学问题——但并非所有语言都能
• GPT-4 来了：它真的在改变语言 AI 的游戏规则吗？
• GPT-4 与 ChatGPT：对训练、性能、能力和局限性的探讨
• GPT 与超越：大型语言模型的技术基础
• GPT 与人类心理学
• GPT — 直观而全面的解释
• GPT 与 BERT：哪一个更好？
• GPTQ 或 bitsandbytes：对于 LLMs 应使用哪种量化方法 — 以 Llama 2 为例
• Pytorch 中的 Grad-CAM：前向和反向钩子的使用
• 在 Excel 中进行梯度提升线性回归
• 梯度提升：预测中的银弹
• 从理论到实践的梯度提升（第一部分）
• 理论与实践中的梯度提升（第二部分）
• 梯度提升树：是早期停止还是不早期停止？
• 梯度下降算法 101
• 深度学习笔记：梯度下降
• 梯度下降：优化与初始化解释
• 梯度下降与梯度提升：逐一对比
• 图卷积网络：GNNs 简介
• 表格数据的图数据科学
• 图机器学习：概述
• 图形机器学习 @ ICML 2023
• 图形机器学习在 2023 年的现状
• [比利·科根网络图谱：使用 Python 的 NetworkX 库分析和绘制社会关系——第四部分](docs/graphing-billy-corgans-network-analyzing-and-mapping-social-relationships-with-python-s-networkx-724de1e431ac.md)
• 数据科学软技能
• 绿色 AI：改进 AI 可持续性的方法和解决方案
• 带误差条的分组条形图（R 语言）
• Grover 的量子搜索算法
• 使用 Python 和 Plotly Express 创建树状图
• ChatGPT 高级设置指南——Top P、频率惩罚、温度等
• 处理 Python 中分类变量的指南
• 数据分析师成功机器学习模型部署指南
• 引导你的受众：在演示中创建引人入胜的叙事
• 有指导的迁移学习：如何利用“侦察的力量”提升机器学习表现
• 指导大型语言模型进行任务特定推理 — 提示设计与软提示
• 破解因果推断：使用 ML 方法的合成控制
• 破解 MySQL 的 JSON_ARRAYAGG 函数以创建动态、多值维度
• 黑客统计显著性：使用机器学习方法进行假设检验
• 为了庆祝这些非常有用和实用的文章，本周的《Variable》将聚焦于我们“提示与技巧”栏目中的近期亮点：它们提供了可操作的、经过验证的建议，可以帮助你节省时间和精力，并在项目中取得更好的结果。无论你本周是否已经享受了你的“甜点”（祝庆祝者万圣节快乐！），我们希望这些技巧能激发你寻找新的方法或工具进行尝试。
• 使用 Delta 表处理缓慢变化的维度（SCD）
• 使用 Python 处理时区
• 实战深度 Q 学习
• 针对产品和工程领导者的动手 GenAI
• 使用 Python 实现生成式 AI：自编码器
• 使用 Python 的 GANs 实践生成式 AI：DCGAN
• 使用 Python 和 GANs 进行生成式 AI 实践：图像生成
• 实操介绍 Delta Lake 和 (py)Spark
• 使用 Python 进行实践性的多目标分类
• 亲自动手实现 Otsu 阈值分割算法，用于图像背景分割，使用 Python
• 实践中的采样技术和比较，使用 Python
• 利用人工智能创造更美好的世界
• 利用 Python 中的 Asyncio 发挥多核性能
• 利用南美洲的降水量和气象栅格数据
• 利用 Falcon 40B 模型，最强大的开源 LLM
• 利用知识图谱的力量：用结构化数据丰富 LLM
• HashGNN: 深入探讨 Neo4j GDS 的新节点嵌入算法
• 现代推荐系统中的哈希：入门
• 机器是否刚刚实现了在人的语言中进行进化性的飞跃？
• 在理解量子机器学习时遇到困难吗？
• 浓缩咖啡中的 Headspace：优化
• 医疗数据本质上是有偏的
• 排序算法：堆排序
• 这是我使用 Apache Airflow 6 年学到的东西
• 我的数据科学工作流程模板
• 你错过了什么
• 这就是为什么你从数据中提取价值的努力没有进展
• 混合整数规划（MIP）模型的启发式方法
• 嘿，GPU，我的矩阵怎么了？
• 隐藏马尔可夫模型：通过实际例子和 Python 代码进行解释
• 街道名称中的隐藏模式：数据科学故事 [第一部分]
• 街道名称中的隐藏模式 [第二部分]
• 分层 Transformer — 第一部分
• 分层变换器 — 第二部分
• 更高精度的浓缩咖啡篮成像
• KDD 2023 大型语言模型亮点
• 爬山算法优化：简单的初学者指南
• 招聘杰出的数据科学家
• 直方图均衡化：逐步指南 (CV- 06)
• 达到时间预测：时间序列概率预测的另一种方式
• 利用 SageMaker 多模型端点和 GPU 实例托管数百个 NLP 模型
• 在 Colab 上免费托管你的 Google Earth Engine RESTful API
• 德国住房租赁市场：使用 Python 的探索性数据分析
• 如何用 25,000 台计算机训练 ChatGPT
• 一个优秀的数据科学家如何看待矩阵乘法
• 人工智能如何改变我们的编码方式
• 《阿波罗 8 号如何赢得月球竞赛》
• 探索解决股票切割问题的贪婪算法
• 人工智能如何使旧视频看起来更流畅？
• 机器学习如何应用于音频分析？
• 如何在没有复杂算法的情况下改进预测指标和流程？
• ChatGPT 的工作原理：聊天机器人背后的模型
• 关于计算机视觉中颜色表示的全面指南 (CV-02)
• 企业如何停止在人工智能和数据驱动决策中失败
• Cypher 在 Neo4j v5 中的变化
• 数据泄漏如何影响模型性能声明
• 数据科学如何创造价值
• 数据科学如何帮助福尔摩斯找到凶手
• 数据科学家如何节省时间
• 从损失函数的角度来看，决策树如何分裂节点
• 我们如何知道一篇文本是 AI 生成的？
• 决策树如何知道从数据中询问下一个最佳问题？
• AI 如何看待你的国家？
• PPO 的剪切如何工作？
• 社会教育指数如何影响学校离校结果？ — 用 R 和 brms 进行的贝叶斯分析
• 不确定性原理如何限制时间序列分析？
• XGBoost 如何处理多类分类？
• 企业如何构建类似于 OpenAI 的 ChatGPT 的大型语言模型
• 决策树如何解决回归问题？
• 少样本学习如何自动化文档标记
• 如何通过 GenAI 解决方案彻底改变商业自动化：解读 LLM 应用的高级管理层
• 生成性人工智能如何支持食品行业企业
• 生成式 AI 将如何影响产品工程团队
• 地理围栏如何塑造你周围的世界
• 谷歌如何利用虚假数据集来训练生成音乐 AI
• GPT 模型的工作原理
• GPT 的工作原理：使用一个药水的故事对注意力中的键、值、查询进行隐喻性的解释
• 人类劳动如何促进机器学习
• 如何基于 AWS 构建级联数据管道（第一部分）
• 如何基于 AWS 构建级联数据管道（第二部分）
• 如何在 10 分钟内利用 LlamaIndex 构建定制的 GPT 聊天机器人
• 如何构建带有 AI 生成曲目的 Lo-fi 音乐网页播放器
• 我是如何构建一个编程语言的：通往成功的（艰难）之路
• 我如何用 ChatGPT 编写了自己的私人法语 tutor
• 如何使用 Python 创造 DALL-E 10000 份积分无法购买的生成艺术
• 我在 2022 年的哭泣情况：对 365 天个人数据的分析
• 我是如何在 6 个月内获得数据分析师职位的
• 如何利用开源 LLM 在大型计算项目中实现巨额节省
• 我如何设置数据科学项目（使用 VS Code 和 DVC）
• 我作为全职数据科学家如何跟上最新的 AI 趋势
• 我是如何将 ChatGPT 转变为类似 SQL 的图像和视频数据集翻译器
• 如何将公司的文档转变为可搜索的数据库，利用 OpenAI
• 我如何通过第一个 #30DayChartChallenge 学习 Observable Plot
• 如何赢得新加坡的 GPT-4 提示工程竞赛
• 如果我可以重新开始，我会如何利用 ChatGPT 学习数据科学
• 如何让行业数据科学家的工作发挥作用
• AI 如何颠覆数据治理？
• 机器学习如何成为位置数据行业的游戏规则改变者
• 多少键位足够弹奏钢琴？
• Meta 的人工智能如何基于参考旋律生成音乐
• 我们需要多少数据？在机器学习与安全考虑之间的平衡
• 在模型选择过程中，你会损失多少预测性能？
• Nightshade 的工作原理
• 《糟糕的利益相关者管理如何毁掉分析》
• 偏见如何渗透到 AI 系统中
• Python 枚举如何使数据配置优雅
• 如何通过操作符融合和 CPU/GPU 代码生成加速深度学习
• 当 1+1≠2：量子物理学如何打破统计学定律
• 足球进球的随机性如何？
• 比率的可靠性如何？
• Self-RAG 如何革新工业 LLMs
• 如何让简单的数值积分在方程建模任务中让你的生活更轻松
• 辛普森悖论如何误导统计数据
• SQL 执行顺序在不同数据库中的差异
• 变量之间的关联强度有多大？
• 不要在没有这 3 步策略的情况下申请数据科学职位
• t-SNE 如何在降维中优于 PCA
• 如何在大众之前访问未来的 Python 版本，如 3.12
• 如何在数据科学训练营中表现出色：完整指南
• 如何根据您的数据将领域特定知识添加到 LLM
• 如何通过残差分析你的时间序列模型
• 如何评估推荐系统
• 如何使用 AI 自动生成长时间 YouTube 视频的摘要
• 如何通过 Python 预提交钩子提升代码质量？
• 如何使用 LLMs 自动提取 PDF 中的实体
• 如何在 AWS EMR 上使用 Airflow 自动化 PySpark 管道
• 如何自动提取和标记 Seaborn KDE 图上的数据点
• 如何在 R 中自动导入和合并多个文件
• 如何避免被模型准确度欺骗
• 如何避免 Google BigQuery / SQL 中的五个常见错误
• 如何避免在自学数据分析时犯这 4 个耗时错误
• 如何成为更好的商业数据科学家
• 如何成为数据工程师
• 如何在没有技术背景的情况下成为数据科学家：技巧和策略
• 如何最佳利用 OpenAI 的 Evals 框架
• 如何将自定义 ML 模型引入 OpenMetadata
• 如何构建一个五层数据栈
• 如何构建因果推断机器学习模型，探讨全球变暖是否由人类活动引起
• 如何使用 IPyWidgets 和 Plotly 在 Python 中构建自定义标注工具
• 如何使用 ChatGPT 构建数据科学作品集网站
• 如何构建一个完全自动化的数据漂移检测管道
• 如何在 2023 年构建多 GPU 系统进行深度学习
• 如何使用 Python 构建一个类似 Shazam 的 Telegram 机器人
• 如何使用 Python 构建 ELT
• 如何构建一个互联的多页面 Streamlit 应用
• 如何构建 LLM 应用程序
• 如何从零开始构建一个大型语言模型
• 如何在数据工程团队中建立值班文化
• 如何构建和管理数据资产组合
• 如何在 AWS 云上使用 Kubernetes 和 oneAPI 构建 ML 应用
• 如何培养数据科学家的良好习惯
• 如何构建具有 O(N) 复杂度的图 Transformer
• 如何使用 Polars 构建基于人气的推荐系统
• 如何使用 Plotly 图形对象构建瀑布图
• 如何使用大型语言模型与任何 PDF 和图像文件进行聊天 — 带代码
• 如何选择大学的 AI 项目/课程
• 如何选择最佳的分类问题评价指标
• 如何选择最佳的回归问题评估指标
• 如何为你的项目选择正确的数据可视化策略
• 如何分块文本数据 — 一项比较分析
• 如何在新纪元中共同设计 AI/ML 的软件/硬件架构？
• 如何组合预测结果
• 如何有效比较机器学习解决方案
• 如何将 Azure AD 管理身份连接到 AWS 资源
• 如何连接 Streamlit 到 Snowflake
• 如何通过 Cloud SQL Auth Proxy 在 Docker 中连接到 GCP Cloud SQL
• 如何通过 Visual Studio Code 连接到您的 AWS EC2 实例
• 如何将任何文本转换为概念图谱
• 如何正确地对时间序列进行交叉验证
• 如何利用大脑的季节性创建一年的数据科学自学计划
• 如何在 Spacy 3.5 中创建自定义 NER
• 如何创建热线图
• 如何使用 Matplotlib 创建口红图
• 如何用 Python 和 Matplotlib 创建极坐标直方图
• 如何在 Python 中创建出版质量的热图
• 如何使用 Plotly 和 Streamlit 创建一个简单的 GIS 地图
• 如何使用 Python 创建合成社交网络
• 如何在 Python 中创建时间序列网络图可视化
• 如何使用 R 创建艺术地图
• 如何创建一个有效的自学计划，以成功自学数据科学
• 如何使用 Seaborn 和 Matplotlib 创建美丽的年龄分布图（包括动画）
• 如何使用 Seaborn 和 Matplotlib 创建美丽的条形图（包括动画）
• 如何在 Python 中创建美丽的华夫图用于数据可视化
• 如何创建气候条纹
• 如何用最少的 Python 代码创建赛博朋克风格的 Seaborn 小提琴图
• 如何使用 Python 和 Matplotlib 创建美国数据地图
• 如何使用 Python 和 Matplotlib 创建引人注目的国家排名
• 如何使用 Matplotlib 创建六边形地图
• 如何创建高性能的数据产品？
• 如何使用 Plotly 创建地图图
• 使用 LaTeX 创建出版级图表：第二部分
• 如何创建有价值的数据测试
• 如何使用稳定扩散和 Deform 创建插值视频
• 如何创建自己的 AI 天气预报
• 如何：时间序列数据的交叉验证
• 如何使用 Docker 将 Panel 应用部署到 Hugging Face
• 如何以最少计算资源部署和解释 AlphaFold2
• 如何使用 FastAPI 和 Google Cloud Run 部署和测试你的模型
• 如何在 5 秒钟或更短时间内使用 Docker 部署 GitLab
• 如何部署机器学习模型？端到端的狗品种识别项目！
• 如何将 PyTorch 模型部署为生产就绪的 API
• 如何从头设计一个 dbt 模型
• 如何设计机器学习项目的路线图
• 如何在 AWS 中设计 MLOps 架构？
• 如何通过假设检验检测数据漂移
• 如何检测机器学习模型中的漂移
• 如何在 3 个步骤中开发 Streamlit 数据分析 Web 应用
• 如何使用 Folium Python 库显示 GeoJSON 文件中的数据
• 如何有效地进行交叉验证
• 如何使用 pytest 对 Pandas 中的数据进行数据验证
• 如何使用 Python、NLTK 和一些简单的统计进行语言检测
• 如何在 ChatGPT 时代有效开始编码
• 如何有效地构建数据科学项目
• 如何在 Python 中有效使用 lambda 函数作为数据科学家
• 使用最新技术微调你的开源 LLM
• 如何高效地替换 Pandas DataFrame 中的值
• 如何编码周期性时间特征
• 如何通过讲故事与用户互动：在 R 和 Shiny 中展示数据分析
• 如何提升你的 Pandas 代码 — 不要再等待了
• 如何通过 Matplotlib 马赛克提升你的可视化效果
• 如何估算 Transformer 模型中的参数数量
• 如何评估学习排序模型
• 如何评估表示
• 如何评估你的 ML/AI 模型的表现
• 如何使用迭代滤波评估未报告的流行病感染
• 如何通过自定义方法扩展 Pandas 数据框，以增强代码的功能性和可读性
• 如何从任何 PDF 和图像中提取文本以用于大型语言模型
• 如何找到一个通勤时间短的公寓
• 如何为你的数据找到最佳的理论分布
• 如何寻找独特的数据科学项目创意，使你的作品集脱颖而出
• 如何在消费级硬件上微调 Llama2 以进行 Python 编程
• 使用 Python 调试逻辑回归错误的最佳实践
• 如何修复时间序列分析中的缺失日期
• 如何使用自回归进行时间序列预测
• 什么是 ARIMA？
• 如何使用移动平均模型进行预测
• 如何生成和评估知识图谱嵌入的表现？
• 如何使用 Folium 生成交互式地图
• 如何使用 CTGAN 生成真实世界的合成数据
• 如何使用 DAX Studio 从 Power BI 获取性能数据
• 如何获得回聘邀请
• 如何充分利用你的量子比特
• 如何通过鸟鸣声识别鸟类物种？
• 如何使用 Python 识别数据中的异常值
• 如何识别业务关键数据
• 如何使用 Python 代码实现层次聚类
• 如何使用 Python 实现学习排序模型
• 如何在 PySpark 中实现随机森林回归
• 如何通过提示工程改进 ChatGPT 生成的代码
• 如何利用贝叶斯高斯混合模型提高聚类准确性
• 如何改善低资源语言的翻译
• 如何使用配置参数改进你的 ChatGPT 输出
• 如何在 Kubernetes 中通过 NVIDIA MPS 提高 GPU 利用率
• 如何在 Kubernetes 中安装私有 Docker 容器注册表
• 如何在 Kubernetes 中安装 Traefik Ingress Controller
• 如何在你的代码中集成 Microsoft Translator API
• 如何解读线性回归系数 | 完整指南
• 如何解释逻辑回归系数
• 如何迭代一个 Pandas Dataframe
• 如何使用多功能数据工具（Versatile Data Kit）跟踪数据版本
• 如何在 2023 年学习地理空间数据科学
• 如何通过向这些专业人士学习来提升你的 Python 技能
• 如何将非传统教育或职业路径转化为你的第一个数据科学工作
• 如何利用预训练的 Transformer 模型进行自定义文本分类？
• 如何以全新的视角看待常见的机器学习任务
• 如何制作 40+个互动图表以分析你的机器学习管道
• 如何在 R 中使用 ggplot2 制作蜘蛛图
• 如何制作 AI 图像编辑聊天机器人
• 如何用 Rust 让你的 Python 包真正加速
• 如何使用 Azure Synapse 遮蔽 PII 数据
• 如何测量和改善预测集成的多样性
• 如何测量机器学习嵌入的漂移
• 如何衡量您的基于 RAG 的 LLM 系统的成功
• 如何使用 Python 和 Vertex AI Pipelines 测量碳足迹
• 如何在时间序列中建模多重季节性
• 破解当前数据科学就业市场：来自科技数据科学家的实用策略
• 如何 避免 将机器学习模型投入生产
• 如何在 Python 中客观地比较两个排名列表
• 操作指南：手动进行单因素 ANOVA
• 如何优化多维 Numpy 数组操作的 Numexpr
• 如何优化特定领域的目标检测模型
• 如何通过自定义 PyTorch 操作符优化你的深度学习数据输入管道
• 如何优化你的营销预算
• 如何组织数据科学项目
• 如何使用 OpenCV 进行阈值化图像分割
• 如何使用 Python 执行 KMeans 聚类
• 如何在 Python 的 PyOD 中进行多变量异常值检测
• 如何在 Python 中进行异常值检测：第一部分
• 如何在 Python 中进行单变量离群点检测
• 如何在 Landsat 卫星图像上绘制坐标，使用 Python
• 如何使用 DiagrammeR 包在 R 中绘制图表
• 如何准备机器学习数据
• 如何准备你的数据以进行可视化
• 如何在软件工程师职位面试中展示你的项目
• 2023 年如何为 AI 项目定价
• 如何编程一个神经网络
• 如何在 Amazon ECS 上将 ML 模型正确部署为 Flask APIs
• 如何使用 Quip Python APIs 从/到相同的 Quip 电子表格读取和写入数据
• 如何减少你的主数据管理费用
• 如何在 5 个简单示例中将 SQL 查询重写和优化为 Pandas
• 机器学习实验的艺术
• 如何在 Python 中保存和加载神经网络
• 完整指南：如何通过合同测试和 dbt 有效地扩展你的数据管道和数据产品
• 如何安全地将 Synapse Pipelines 连接到 Azure Functions
• 如何将 SLURM 作业发送到集群
• 如何将表格时间序列数据发送到 Apache Kafka，使用 Python 和 Pandas
• 如何使用 Keras API 和 Google Colab 开始使用 TensorFlow
• 如何使用 AWS Lambda 为数据科学设置一个简单的 ETL 流水线
• 如何在 Power BI 中显示没有数据的结果
• 如何使用线性规划解决优化问题
• 如何解决 Windows 上 Anaconda 的 Python 依赖问题
• 如何解决蛋白质折叠问题：AlphaFold2
• 如何用模拟退火解决旅行推销员问题
• 如何加速数据科学交付
• 如何在数据分析师领域脱颖而出：专注于这 5 个关键主题
• 如何作为数据分析师保持领先
• 如何跟上最新的 AI 研究
• 如何更高效地存储历史数据
• 如何使用 Mage 简化数据管道中的沟通
• 如何优化你的数据科学学习之旅
• 如何为可重复性和可维护性构建 ML 项目
• 如何使用 Matplotlib 样式化图表
• 如何在采用现代数据堆栈时应对数据爆炸
• 如何在不重新采样的情况下应对类别不平衡
• 如何与非数据人士讨论数据和分析
• 如何使用 Pytest 测试您的 Python 代码
• 如何测试你的单元测试
• 如何使用 Gensim 从头开始训练 Word2Vec 模型
• 如何训练 BERT 进行掩码语言建模任务
• 如何训练 LILT 模型并在发票上进行推断
• 如何将家庭作业转化为数据科学职位
• 如何将时间序列转换为深度学习格式
• 转行到数据分析的路线图
• 如何将数据转化为可操作的商业洞察
• 如何将数据视为产品
• 如何使用日志模块调试 Python 脚本
• 如何理解和使用 Jensen-Shannon 散度
• 如何理解因果关系的世界
• 如何将初级数据科学代码升级为高级数据科学代码
• 如何利用参数解析提升机器学习工作流的效率
• 如何使用 Chat-GPT 和 Python 在 Neo4j 中基于你自己的文章构建知识图谱
• 如何使用 ChatGPT 生成图表
• 如何在数据可视化中使用颜色
• 如何在 Neo4j 图数据科学库中使用 Cypher 聚合
• 如何使用 dbt 种子
• 正确使用 DAX 中的 FILTER
• 如何使用 Google 的 PaLM 2 API 与 Python
• 如何在自己的领域中使用大型语言模型（LLM）
• 如何在 R 中使用映射函数进行数据科学
• 如何利用微认证进入数据科学领域
• 如何使用 OpenAI 的代码解释器来分析数据
• 如何使用 OpenAI 的函数调用
• 如何使用 Streamlit 的 st.write 函数来改进您的 Streamlit 仪表板
• 如何使用 loc Pandas 方法高效地处理您的 DataFrame
• 如何在 Elasticsearch 中正确使用同义词功能
• 如何使用 t 检验及其非参数对应物
• 如何验证 OpenAI GPT 模型的文本摘要性能
• 如何编写自定义函数以在 R 中生成多个图表
• 如何编写更好的数据科学学习笔记
• 如何在 R 中编写条件语句：四种方法
• 如何为 ChatGPT（GPT-4）和其他语言模型编写专家提示
• 如何编写可重复的 TensorFlow 输入管道
• F 检验在线性回归中有多大用处？
• 我们对数据管道的思考正在改变
• 我们如何赢得了第一个政府 AI 项目
• GPT 模型对提示的响应效果如何?
• 数据科学如何加速循环经济？
• 如果我从头开始，如何用 ChatGPT 学习编程？
• 如何通过 Python 访问 Amazon S3 资源（及其必要性）
• 如何（以及为什么）保护您的 API 密钥
• 如何验证机器学习模型
• Hugging Face Diffusers 可以正确加载 LoRA
• 🤗Hugging Face Transformers Agent
• Human-Learn: 作为机器学习替代方案的基于规则的学习
• 寻找黑天鹅
• 混合离散-连续几何深度学习
• 混合搜索 2.0：追求更好的搜索
• 超曲面深度强化学习
• 使用 SQL 实现的 HyperLogLog
• 超参数优化——网格搜索、随机搜索和贝叶斯优化的简介与实现
• 超参数优化与 Hyperopt — 介绍与实现
• 将超参数调整应用于神经网络
• 使用 AWS Sagemaker SDK 对 HuggingFace 模型进行超参数调整
• 我晋升了！
• 我找到了我的第一份数据工作，接下来怎么办？
• 我花费了$675.92 与 Upwork 上的顶级数据科学家交谈——这是我学到的
• ICA 和现实中的鸡尾酒会问题
• 克服你的第一个数据科学项目的 6 个初学者友好的技巧
• 识别：可信因果推断的关键
• 识别和利用时间序列预测的领先指标
• 使用因果机器学习识别 Spotify 歌曲流行的驱动因素
• 在 BigQuery 中使用 SQL 识别新客户和回头客
• 识别城市区域的热点
• 如果 AI 编码工具减少了我们需要的工程师数量，我们该如何支配预算？
• 如果工程师开始使用 AI 编码工具，我们的产品团队会发生什么？
• 如果口头和书面交流使人类发展了智力……那么语言模型怎么样？
• 如果你把生活视作游戏，你最好知道如何玩
• 不只是爬行动物：探索 Iguanas 工具包用于超越黑箱模型的 XAI
• IID: 初学者的意义和解释
• 闪耀的洞察：GPT 从图表和表格中提取意义
• 揭开文本生成 AI 的黑箱
• 初学者的图像分类
• 使用 PyTorch 和 SHAP 进行图像分类：你能信任自动驾驶汽车吗？
• 使用 Vision Transformer 进行图像分类
• 使用预训练扩散模型进行图像合成
• 使用 Python 的图像滤镜
• 使用 ChatGPT 生成图像的代码
• 医学数据集的图像配准
• 5 分钟内的图像搜索
• 图像分割：深入指南
• iMAP：实时建模 3D 场景
• 模仿模型与开源 LLM 革命
• 分水器和淋水屏对浓缩咖啡的影响
• 不完美揭示：我们 MLOps 课程创建背后的迷人现实
• 在 Python 中实现具有 TTL 功能的缓存装饰器
• 从头开始用 PyTorch Lightning 实现和训练 CNN
• 使用 Mage 在数据管道中实现行为驱动开发
• 在 PyTorch 中实现可解释的神经模型！
• 在 3 分钟内在单个 GPU 系统上进行多 GPU 训练
• 轻松用 Python 从头实现多分类支持向量机
• Hugging Face 简介及 6 种 NLP 任务实现
• Reluplex 的实现细节：一种高效的 SMT 求解器用于验证深度神经网络
• 在 Keras 和 TensorFlow 中实现 Siamese 网络
• 使用 LangChain 实现销售与支持代理
• 使用 JAX 和 Haiku 从头实现 Transformer 编码器 🤖
• 实施人工智能就像买车和开车（但有所不同）
• 在 PyTorch 中实现自定义损失函数
• 使用 fastai 实现深度学习——图像分类
• 从零实现 LoRA
• 将深度学习论文中的数学公式转化为高效的 PyTorch 代码：SimCLR 对比损失
• 在 PyTorch 中实现软最近邻损失
• 从头实现最速下降算法
• 从零实现 Vision Transformer (ViT)
• 使用 Python 的重要性采样
• 如何提升 Python 函数的性能
• 通过 OpenAI API 提升表格数据预测能力
• 通过早期停止改善你的提升算法
• 改善你的梯度下降：寻找最优步幅的史诗之旅
• 改进 Diffusers 包以生成高质量图像
• 通过智能提示改进希伯来语问答模型
• 通过解缠改进 k-Means 聚类
• 改善零-shot CLIP 的性能和可解释性
• 通过自适应损失平衡提升物理信息神经网络
• 在 RAG 管道中通过混合搜索提升检索性能
• 如何通过单元测试和 TDD 提高您 dbt 模型的代码质量
• 改进 Strava 训练日志
• 使用公共表表达式改进你的 SQL 逻辑
• 大型语言模型中的上下文学习方法
• 《使用 Devtools 创建和发布 R 数据包的深度指南》
• 将 Llama 2 的延迟和吞吐量性能提高多达 4 倍
• 分布式随机森林的推断
• Kubernetes 的无限可扩展存储
• 使用 lazy_static 在运行时初始化 Rust 常量
• 《从数据到洞察：使用书店分析比较 SQL 和 Python 查询》
• Inside GPT — I : 理解文本生成
• GPT 内部 — II：提示工程的核心机制
• 检查数据科学预测：个人 + 负面案例分析
• 深度学习的实例选择
• 将分布式 Ray Serve 部署与 Kafka 集成
• 使用 Neo4j 和 APOC 将 LLM 工作流与知识图谱集成
• 将 Neo4j 集成到 LangChain 生态系统中。
• 神经网络的应用：推导正态分布的累积分布函数
• 与大型语言模型的互动
• Excel 中的互动仪表盘
• 中级深度学习与迁移学习
• 使用数据中心可解释人工智能解释机器学习模型
• 解读随机森林
• 面试准备：因果推断
• 数据分析简介：“谷歌方法”
• 数据科学家的 Docker 容器简介
• PyTorch 2：卷积神经网络
• TorchData 介绍：Conceptual Captions 3M 的实操指南
• 介绍一个用于检测 GPT 生成文本的数据集
• 介绍 KeyLLM — 使用 LLM 进行关键词提取
• 介绍 PeekingDuck 计算机视觉
• 介绍 PyCircular：一个用于圆形数据分析的 Python 库
• 介绍 PyDicom 及其类、方法和属性
• 介绍 Python 的魔法方法
• 介绍 Python 的 Parse：正则表达式的终极替代品
• 介绍 Quix Streams：一个开源的 Python Kafka 库
• 介绍 Crystal Bar Chart：可视化序列差分聚类
• 介绍多弦图：可视化复杂集合关系
• 四种项目相似性度量的介绍
• Apache Iceberg 表介绍
• asyncio 介绍
• 聚类算法简介
• 使用{dplyr}进行 R 的数据操作入门
• 数据版本控制简介
• 嵌入式推荐系统介绍
• 预测集成简介
• 功能性 PyTorch 入门
• 假设检验与示例介绍
• ICA 简介：独立成分分析
• 基于知识图谱的推荐系统介绍
• PySpark 中的逻辑回归简介
• 马尔科夫链蒙特卡罗 (MCMC) 方法介绍
• Python 中的数学优化介绍
• 机器学习部署简介：Flask、Docker 与 Locust
• MLOps 原理介绍
• mypy 介绍
• 使用 SciPy 的优化约束介绍
• 介绍 p 值和带有示例的显著性测试
• 使用 Sklearn、Pandas 和 Matplotlib 进行 PCA 的介绍
• PyTorch 介绍
• PyTorch 简介：从训练循环到预测
• 排名算法介绍
• 抽样方法介绍
• 语音增强简介：第一部分 — 概念与任务定义
• 语音增强介绍：第二部分 — 信号表示
• 统计抽样与重抽样介绍
• 流处理框架介绍
• Open LLM Falcon-40B 简介：性能、训练数据和架构
• 权重量化简介
• 指数移动平均的直观解释
• 逆物理信息化神经网络
• ChatGPT 真的智能吗？
• ChatGPT 智能吗？一项科学评审
• 数据民主化是否被夸大了？
• 决策科学是否正在悄然成为新的数据科学？
• F1 分数真的比准确率更好吗？
• 特征工程已经过时了吗？
• 生成性人工智能是否正在接管世界？
• 生成式 AI 是否值得其环境足迹？
• 医疗分析适合你吗？
• 你需要的是压缩吗？
• Julia 比 Python 和 Numba 更快吗？
• 逻辑回归是回归模型还是分类模型？让我们结束争论
• PandasGUI — 轻松数据分析的终极秘密
• PyTorch 的 Nesterov 动量实现是否有误？
• 无服务器难以采纳吗？
• 偏差和方差之间是否总有权衡？
• 这是否是解决 P-hacking 的方案？
• 旅游是否恢复到 COVID 危机前的水平？
• 您的 LLM 应用程序准备好公开了吗？
• 依赖 GridSearchCV 的最佳模型是一个错误
• 是时候提升数据分析师的角色了
• 终于是时候告别 “git checkout” 了
• 这不仅仅关乎得分
• 在 Docker 中运行 Jaffle Shop dbt 项目
• 《发现者简：利用大语言模型增强因果发现（因果 Python）》
• 一月刊：成为更好的学习者
• Java 和数据工程
• 爵士和弦解析与变压器
• 现代数据科学家必备的 Julia：5 个你不能忽视的卓越特性
• Julia 魔法 太少人知道
• 七月版：数据科学家的气候资源
• 六月精选：激发灵感的项目
• 初级开发者编写多页 SQL 查询；高级开发者使用窗口函数
• Jupyter 已经拥有一个完美的文本编辑器：构建一个 Python IDE
• Jupyter 已经有了完美的文本编辑器：这就是你可以配置它的方法
• K-means 聚类：入门指南及实际应用
• Kaiming He 初始化在神经网络中的数学证明
• 使用 Hydra 跟踪你的实验
• 让机器人不偏离伦理轨道
• 核密度估计逐步讲解
• 多维数据的核密度估计器
• 内核：你需要了解的一切
• 了解你的受众：技术演示准备指南
• 知识图谱嵌入基础
• 知识图谱转换器：构建动态推理以适应不断演变的知识
• 知识图谱、硬件选择、Python 工作流程及其他十一月必读内容
• 知识检索占据了中心舞台
• KServe：基于 Kubernetes 的高可扩展机器学习部署
• L1 与 L2 正则化在机器学习中的比较：区别、优势及如何在 Python 中应用
• 拉格朗日乘子、KKT 条件和对偶性——直观解释
• 🦜🔗LangChain：允许 LLMs 与你的代码互动
• 🦜🔗LangChain：通过记忆容量提升性能
• LangChain 增加了 Cypher 搜索功能
• 🦜🔗 LangChain：文档上的问答代理
• 语言模型及其相关：Gorilla、HuggingGPT、TaskMatrix 及更多
• 用于句子补全的语言模型
• PageRank 的可视化解释
• 大型语言模型和向量数据库在新闻推荐中的应用
• 大型语言模型作为零-shot 标注者
• 大语言模型：DeBERTa — 解码增强型 BERT 与解耦注意力
• 大型语言模型揭示了国家社会工作执照考试中的额外缺陷
• 大型语言模型在图灵测试和中文房间论证下的考量
• 大型语言模型在分子生物学中的应用
• 大型语言模型，MirrorBERT——将模型转化为通用的词汇和句子编码器
• 大型语言模型，StructBERT — 将语言结构融入预训练
• 大型模型遇见大数据：Spark 和 LLMs 的和谐
• 大型图像模型中的最新 CNN 核
• 数据质量的层次
• 懒惰评估使用递归 Python 生成器
• 我们应该了解的重要 MySQL 数据定义语言（DDL）命令，用于管理我们的表
• 通过“刻意练习”学习数据科学（或任何技能）
• 学习离散傅里叶变换（DFT）
• 学习 RabbitMQ 用于事件驱动架构（EDA）
• 学习成为数据科学领袖
• 学会“遗忘”机器
• 前向传递中的学习与推理：新框架
• 学习机器学习 | Maarten Grootendorst: BERTopic、数据科学、心理学
• 从机器学习中学习 | Vincent Warmerdam：Calmcode，Explosion，数据科学
• 通过代码学习数学：导数
• 学习网络游戏
• 以正确的方式学习新的数据科学技能
• 在职学习 Python 数据科学 第一部分：哲学
• 数据科学中的 Python 学习 实战第二部分：练习
• 为你的下一个 LangChain 项目学习基础知识
• 学习变压器代码第一部分第二部分——GPT 亲密接触
• 生成性人工智能的法律与伦理视角
• Lesk 算法：一种用于文本分析中的词义消歧方法
• 扩展我们的数据科学视野
• 让我们谈谈数学（面向数据科学家）
• 在 Plotly 中提升你的数据讲述能力，使用动画柱状图
• 利用像 GPT 这样的 LLMs 分析你的文档或记录
• 利用聚合的力量
• 利用 Azure Event Grid 创建 Java Iceberg 表
• 利用数据分析进行可持续商业转型
• 利用 Llama 2 功能进行现实世界应用：使用 FastAPI、Celery、Redis 和 Docker 构建可扩展的聊天机器人
• 利用信息检索增强 LLMs：一个简单的演示
• 利用 LLM 和 LangChain 实现供应链分析——一个由 GPT 提供支持的控制塔
• 利用机器学习开发有效的营销策略
• 利用管理仪表板进行故事讲述：这是一个可行的途径吗？
• 利用运筹学提升呼叫中心效率
• 利用 qLoRA 对任务精调模型进行精调而不产生灾难性遗忘：以 LLaMA2(-chat)为例
• 10 分钟理解 Lineage 和 Hamilton
• 线性代数 1：线性方程和系统
• 线性代数 2：梯形矩阵形式
• 线性代数 3：向量方程
• 线性代数 4: 矩阵方程
• 线性代数：欧几里得向量空间
• 线性代数：使用 Python 寻找逆矩阵
• 线性代数：LU 分解与 Python
• 线性代数：矩阵运算及其属性，使用 Python
• 线性代数：正交向量
• 线性代数：线性方程组和矩阵，使用 Python
• 线性判别分析（LDA）可以如此简单
• 线性规划：理论与应用
• 线性回归深入探讨（第一部分）
• 深入解析线性回归（第二部分）
• 使用（仅）SQL 拟合回归模型的快速而粗糙的方法
• 线性回归、核技巧和线性核。
• 线性回归 — 预测机器学习建模的奥卡姆剃刀
• 将线性回归应用于 GPT 的七个步骤
• 线员静止性
• 使用 Python 进行语言指纹分析
• 如何使用 Python 列出所有 BigQuery 数据集和表
• 列表、元组、字典和数据框在 Python 中的完全指南
• LLaMA：面向所有人的大型语言模型！
• LlamaIndex：终极 LLM 框架，用于索引和检索
• LLM 和 GNN：如何提升两种 AI 系统在图数据上的推理能力
• LLM 经济学：ChatGPT 与开源
• LLM 评估指南：如何构建和基准测试你的评估
• LLM 用于合成时间序列数据生成
• 理解 LLM 幻觉
• LLM 监控与可观测性——负责任 AI 的技术和方法总结
• LLM 输出解析：函数调用与 LangChain
• 基于 LLM+RAG 的问题回答
• LLMOps：与 Hamilton 一起进行生产级提示工程模式
• 每个人的 LLM：在 Google Colab 中运行 LangChain 和 MistralAI 7B 模型
• LLMs，新型大规模虚假信息武器？
• LMQL — 语言模型的 SQL
• 如何将多个 CSV 文件加载到 Pandas DataFrame 中
• 负载测试 SageMaker 多模型端点
• 使用 SageMaker 推理推荐器简化负载测试
• 局部光场融合
• 从头开始的模拟退火局部搜索
• 本地预测与全球预测：你需要知道的
• 初学者的对数变换
• 使用梯度下降的多类逻辑回归
• 逻辑回归：看似有缺陷
• 逻辑回归：对决与概念理解
• Loguru: 简单如打印，灵活如日志记录
• 透过窗户——利用新的 DAX 函数计算客户生命周期价值
• LoRA — 直观且详尽的解释
• 机器学习中的损失函数
• 在 DALL-E 3 翻译中迷失
• 低代码时间序列分析
• Lucene 透视 — 处理整数编码和压缩
• Ludwig — 一个“更友好”的深度学习框架
• 机器学习算法第一部分：线性回归
• 机器学习不仅仅预测未来，它还积极地创造未来
• 机器学习工程师——他们实际上做什么？
• 使用机器学习进行柔术
• 使用不平衡数据进行回归的机器学习
• 《机器学习插图：分类的评估指标》
• 机器学习图解：增量学习
• 机器学习的可视化：用 SHAP 揭开黑箱模型的面纱
• 非欧几里得空间中的机器学习
• 三步掌握机器学习：如何高效学习
• 机器学习并非你所需的一切：关于签名检测的案例研究
• 机器学习变得直观
• 机器学习必读：秋季专题
• 多输出数据集上的机器学习：快速指南
• 机器学习编排与 MLOps
• 机器学习技巧、与 ChatGPT 的学习以及其他近期必读书单
• 专家模型的机器学习：入门指南
• 机器学习的公众认知问题
• 魔法：聚会竞技场：用概率获胜
• 维护你的特征库的质量
• 使用 Seaborn 制作嵌套条形图
• 使用 Seaborn 制作打卡图
• 使用 GPT-3 创建文本总结器
• 使用 Python 制作美观（且实用）的意大利面图
• 用数据科学让每一分钱的营销投资都发挥作用
• 通过缓存函数提升 Python 速度：记忆化
• 用 UTF-8 让你的图表更出色
• 让你的图表看起来辉煌
• 让你的 sklearn 模型速度提高最多 100 倍
• 让你的表格看起来更华丽
• 通过这些技巧和窍门使你的表格数据在 CLI 中脱颖而出
• 让语言模型更像人脑
• 作为分析师的错误——以及应对策略
• 通过源分离实现音乐标记 AI 的可解释性
• 了解 A/B 测试的意义：通过困难问题更好地理解
• 理解大型语言模型的承诺（及风险）
• 2023 年从数据分析师转型为数据科学家
• 做出正确决策：AI 建议、决策辅助工具以及大语言模型的前景
• 使用 PyTorch、ONNX 和 TensorRT 将视觉变换器的预测速度提高 9 倍
• 使用 ipywidgets 让你的数据分析变得生动
• 管理一个联邦数据产品生态系统
• 使用 TOML 配置轻松管理深度学习模型
• 在单台机器上管理多个 CUDA 版本：全面指南
• 管理大数据应用程序的云存储成本
• 机器学习系统的技术债务管理
• 使用 Rclone 管理你的云数据存储
• 在编写 Apache Beam 管道时使用示例进行 Map、Filter 和 CombinePerKey 转换
• 轨迹预测中的地图匹配
• 使用 R 绘制南美洲地图：深入探讨地理可视化
• 映射全球自然再造林项目的潜力
• 《交通拥堵分析：使用图论》
• 使用 MapReduce 进行大规模数据处理
• 3 月版：数据与因果关系
• 以规模化方式掌握语义搜索：使用 FAISS 和 Sentence Transformers 在闪电般的推理时间内索引数百万份文档
• 使用 Versatile Data Kit (VDK) 掌握批量数据处理
• 使用 Hydra 精通机器学习中的配置管理
• 精通容器化：创建类似 Docker 环境的指南
• 使用信用卡交易数据掌握客户细分
• 掌握客户细分的终极技巧
• 掌握 Elasticsearch：强大搜索与精确性的初学者指南 — 第一部分
• 掌握 Apache Airflow 中的ExternalTaskSensor：如何计算执行增量
• 掌握 Python 中的迭代器和生成器
• 掌握语言模型
• 精通线性回归：有志数据科学家的终极指南
• 精通逻辑回归
• 精通 Python 中的长短期记忆：释放 LSTM 在 NLP 中的力量
• 掌握模型可解释性：对部分依赖图的全面分析
• 精通模块化编程：如何提升你的 Python 技能
• 精通蒙特卡洛：如何通过模拟提升机器学习模型
• 掌握 NLP：深度学习模型的深入 Python 编码
• 掌握机器学习中的 P 值
• 精通提示工程以释放ChatGPT的潜力
• 掌握 Python RegEx：深入探讨模式匹配
• 掌握来自 SAP 系统的数据集成与快速工程
• 精通 Python Asyncio 中的同步原语：全面指南
• 掌握机器学习工作流的艺术：变压器、估算器和管道的全面指南
• 掌握定价优化的艺术 — 一种数据科学解决方案
• 掌握回归分析的艺术：每个数据科学家应该了解的 5 个关键指标
• 掌握数据科学工作流程
• 掌握未来：评估利用 IaC 技术生成 LLM 数据架构
• 掌握未知领域与 GPT-4 和翻转互动模式
• 使用 Python 类掌握时间序列分析
• 掌握天气预报：利用 LSTM 深度学习模型释放 AI 的力量以实现准确的温度预测
• 现实世界中的数学：测试、模拟及更多
• Matplotlib 提示，以立即提升你的数据可视化——根据《数据故事讲述》
• Matplotlib 教程：将你的国家地图提升到另一个水平
• 逻辑回归中的矩阵和向量运算
• 数据流中的矩阵近似
• GPU 上的矩阵乘法
• 通过选择最佳图表：网络图、热图还是桑基图来最大化你的洞察力？
• 随机变量参数的最大似然估计
• 五月刊：城市空间的数据
• MDM作为您数据治理之旅的起点
• 平均绝对对数误差（MALE）：一种更好的“相对”性能指标
• 平均精确度@K（MAP@K）清晰解释
• 有意义的实验：5 个有影响力的数据项目，帮助打造更好的产品
• 测量新 Pandas 2.0 相对于 Polars 和 Datatable 的速度——仍然不够好
• 媒体组合建模：数据科学家避免陷阱的技术指南
• 认识 Gemini：谷歌最大、最强大的 AI 模型
• 缓存 DataFrame 函数
• Apache Spark 中的内存管理：磁盘溢出
• Meta AI 推出了突破性的图像分割模型，该模型基于 10 亿个掩码进行训练。
• Meta AI 的另一个革命性大规模模型——DINOv2 用于图像特征提取。
• 元启发式方法解析：蚁群优化
• Julia 中的 Metal 编程
• META 的 Hiera：降低复杂性以提高准确性
• 客户终身价值建模的方法：好东西和陷阱
• 指标层：所有 KPI 定义的唯一真实来源
• 指标存储的实际应用
• 微软与谷歌：语言模型是否会超越搜索引擎？
• 微软的新 AI 方法预测分子如何移动和功能
• 迁移数据？充分利用产品本身！
• 微型神经网络用于吉他效果与微控制器
• SQL 中的最小会议室问题
• 缺失数据解密：数据科学家的绝对入门指南
• 您的数据产品中的缺失特性
• Mistral 7B：在您的计算机上进行微调和量化的配方
• 高基数分类变量的混合效应机器学习 — 第 I 部分：不同方法的实证比较
• 高基数分类变量的混合效应机器学习 — 第二部分：GPBoost 库
• 使用 GPBoost 进行纵向数据和面板数据的混合效应机器学习（第三部分）
• 使用 GPBoost 进行分组和区域空间计量经济数据的混合效应机器学习
• 混合整数线性规划：正式定义与解空间
• Mixtral-8x7B: 理解和运行稀疏专家混合模型
• 混合模型、潜变量和期望最大化算法
• PINNs 的专家混合（MoE-PINNs）
• 深度会话推荐系统中的 Softmax 混合模型
• 机器学习基础（第四部分）：决策树
• 使用 DynamoDB 进行 ML 工程
• “ML-Everything”？在科学中的机器学习方法中平衡数量与质量
• ML 模型注册中心——绑定模型实验和模型部署的“接口”
• MLOps 简化版：如何使用 Azure 机器学习组件运行批量预测管道
• MLOps 节奏：战略目标如何创造更快的迭代？
• MLOps-技巧与窍门-75 个代码片段
• MLOps — 了解数据漂移
• MLOps：什么是操作节奏？
• Optuna 下的 MLOps
• MLX vs MPS vs CUDA：基准测试
• 模型使用：推理发生在训练之后，而不是训练期间
• 时间序列预测中的模型评估
• 模型可解释性，再次探讨：SHAP 及其他
• 无模型强化学习在化学过程开发中的应用
• 使用 TensorFlow 进行模型优化
• 通过版本控制进行模型回滚
• 不平衡数据模型选择：仅凭 AUC 可能无法拯救你
• 使用多项式回归建模脑电图信号
• 使用马尔可夫链建模游戏
• 从基本原理建模旅行推销员问题
• 使用 GEKKO 以确定性方式建模世界
• 使用傅里叶变换对可变季节特征进行建模
• 现代数据工程
• 现代数据仓库
• 使用 Python 进行现代路线优化
• 现代图像语义搜索
• 监控机器学习模型：数据科学家和机器学习工程师的基础实践
• 监控机器学习模型的生产：为什么和如何？
• 监控生产环境中的 NLP 模型
• 使用 GEE 在全球范围内监测海表温度
• 监控无结构数据以用于 LLM 和 NLP
• 单目深度估计预测火星表面高程
• 蒙特卡罗近似方法：你应该选择哪一种，何时使用？
• 蒙特卡洛方法
• 关于道路网络匹配的更多内容
• 带有仿真的形态学操作（CV-05）
• 激励自注意力
• Moto、Pytest 和 AWS 数据库：质量与数据工程的交汇点
• 使用 Neo4j 的电影推荐
• 多臂老虎机应用于执行算法中的订单分配
• 多维探索是可能的！
• 用于神经退行性疾病分类的多层神经网络
• 多层感知器的解释与说明
• 多区域数据源
• 多阶段推荐系统构建方法
• 多任务架构：综合指南
• 多任务机器学习：同时解决多个问题
• 推荐系统中的多任务学习：基础知识
• 多层次回归模型与辛普森悖论
• 用 R 进行的多层回归
• 使用 Azure ML 和 MONAI 的多模态 3D 脑肿瘤分割
• 多模态思维链：在多模态世界中解决问题
• R 中的多项逻辑回归
• PyTorch 中的多 GPU 训练及其替代方案：梯度累积
• 结构方程模型中的多组分析
• 多元线性回归：深入探讨
• 多变量分析 — 超越一次一个变量
• 主成分分析中的多变量过程控制，使用 T² 和 Q 误差
• MusicGen 重新构想：Meta 在 AI 音乐领域的低调进展
• MusicLM — 谷歌是否解决了 AI 音乐生成问题？
• 穆布里奇德比：利用人工智能使动物运动照片栩栩如生
• 我的亚马逊经济学家面试
• 我对 DevOps 和 DataOps 的经验
• 我与 ChatGPT 的第一次探索性数据分析
• 我的#30DayMapChallange 第一周
• 我成为更好的数据科学家的五个关键学习心得
• 我的#30DayMapChallange 第四周
• 我在人工智能领域获得博士学位的旅程
• 我在#30DayMapChallange 的第二周
• 我的 #30DayMapChallange 第三周
• 我的（非常）个人数据仓库
• 朴素贝叶斯分类
• 从头开始的朴素贝叶斯分类器，使用 Python
• 从零开始的朴素贝叶斯与 TensorFlow
• 命名实体与新闻
• Python 标准库中的 NaN 值
• 学习 Transformers 代码优先：第一部分 — 设置
• XGBoost 如何原生支持类别特征？
• 使用 Spotify 的 Pedalboard 进行自然音频数据增强
• 自然语言基础——情感分析、机器翻译和命名实体识别的介绍与语言模型实现
• 自然语言处理初学者指南
• 自然语言处理不仅仅是聊天机器人
• 行业特定 AI 的导航：从过渡性英雄到长期解决方案
• 导航制图挑战：#30 天地图挑战中途进行中
• 探索聚类领域
• 探索大语言模型的领域
• 使用 PySpark 的 NBA 分析
• 最近邻回归器 — 可视化指南
• 需要速度：将 Pandas 2.0 与四个 Python 加速库进行比较（附代码）
• 嵌套字典 Python——Python 嵌套字典的完整指南
• 解释性神经基础模型
• 神经图数据库
• 神经网络 — 初学者指南 (1.1)
• 神经网络作为决策树
• 具有多个数据源的神经网络
• 神经原型树
• 新的 ChatGPT 提示工程技术：程序模拟
• 新数据表明 2023 年是有史以来最热的夏天
• 最新的 DeepMind 工作揭示了语言模型的极致提示种子
• 音频机器学习的新领域
• 新版 Scikit-Learn 更适合数据分析
• 新的 SHAP 图：小提琴图和热图
• 牛顿运动定律：最初的梯度下降
• 创建快速、安全且兼容的数据结构的九条规则（第一部分）
• 在 Rust 中创建快速、安全和兼容的数据结构的九条规则（第二部分）
• 在网络和嵌入式系统上运行 Rust 的九条规则
• Rust 代码 SIMD 加速的九条规则（第一部分）
• 你的 Rust 代码的 SIMD 加速九大规则（第二部分）
• 用 Dafny 正式验证 Rust 算法的九个规则（第一部分）
• 使用 Dafny 正式验证 Rust 算法的九条规则（第二部分）
• 2022 年 NLP 初创公司融资情况
• 使用 Python 进行 NLP：知识图谱
• 无代码机器学习平台：福音还是祸根？
• TensorFlow 中不再出现 OOM 异常
• 数据科学中没有“科学”？
• NODE：专注于表格数据的神经树
• 非负矩阵分解（NMF）用于图像数据的降维
• 非参数检验入门（第一部分：秩和符号检验）
• 非线性维度降低、核 PCA（kPCA）和多维尺度分析— Python 简单教程
• 不必 A/B 测试一切都是好的
• 并非全是彩虹和阳光：ChatGPT 的阴暗面
• 不那么庞大的语言模型：优质数据打败巨人
• 那么，为什么我们应该关心推荐系统呢？特邀：对汤普森采样的简要介绍
• 现在你看到我 (CME): 基于概念的模型提取
• np.stack() — 如何在 Numpy 和 Python 中堆叠两个数组
• NP-什么？优化问题的复杂性类型解释
• NT-Xent（归一化温度调节交叉熵）损失函数的解释及在 PyTorch 中的实现
• NumPy 广播
• 探究字符级 RNN：基于 NumPy 的实现指南
• 使用 RetinaNet 和 KerasCV 的目标检测
• 面向对象的数据科学：重构代码
• 无需 OCR 的文档数据提取与变换器 (1/2)
• 无 OCR 文档数据提取与变换器（2/2）
• 哦，你是说“管理变革”？
• 好的，你已经训练了最好的机器学习模型。接下来做什么？
• 关于 A/B 测试和携带效应
• 关于人工智能与推理的类型
• 数据驱动的方程发现
• 在代表性不足的群体面前的学习
• 关于压缩大数据的重要性
• 在 DAX 度量中使用中间结果
• 关于机器为何能够思考
• 在生成式 AI 时代发展数据职业
• One Hot 编码
• 一步使决策树产生更好的结果
• 只有在你知道如何独立完成任务时才使用 LLMs
• ONNX：用于可互操作深度学习模型的标准
• OpenAI API — ChatGPT 背后的模型介绍与实现
• OpenAI 的网络爬虫和 FTC 失误
• openCypher* 针对任何关系数据库
• 通过物理启发的 DeepONet 进行算子学习：从头开始实现
• Optical Flow with RAFT: 第一部分
• RAFT 中的光流：第二部分
• 优化需求满足：行业方法
• 深度学习中的神经网络优化
• 优化：Python 中的容量限制设施选址问题
• 优化：牛顿-拉夫森方法的几何解释
• 优化、牛顿法与利润最大化：第一部分 — 基本优化理论
• 优化、牛顿法与利润最大化：第二部分——约束优化理论
• 优化、牛顿法与利润最大化：第三部分 — 应用利润最大化
• 优化还是架构：如何破解卡尔曼滤波
• 优化数据仓库存储：视图与表
• 优化浏览分类法
• 优化连接：图中的数学优化
• 使用 C 优化 LLM，并在您的笔记本电脑上运行 GPT、Llama 和 Whisper
• 在 Apache Spark 中优化输出文件大小
• 通过选择性知识图谱条件优化检索增强生成（RAG）
• 使用遗传算法在 Python 中优化电视节目调度
• 优化度假小屋租赁收入
• 优化向量量化方法的机器学习算法
• 在 Mac 上优化 VS Code 以适应 dbt
• 优化您的策略：超越 A/B 测试的方法
• Orca: 正确模仿专有 LLMs
• 使用 LLM 编译器框架有效协调知识图谱的推理
• 机器学习风险管理中的组织过程
• 使用 Pants 组织机器学习单一仓库
• 组织生成式人工智能：数据科学团队的 5 个经验教训
• 其他机器学习术语：文本的稀疏和密集表示
• 我们的 MLOps 故事：为十二个品牌提供生产级机器学习
• 单变量数据集中的分布拟合异常值检测
• 主成分分析与霍特林 T2 及 SPE/DmodX 方法的异常值检测
• 异常值检测与 Scikit-Learn 和 Matplotlib: 实用指南
• 克服自动语音识别挑战：下一个前沿
• 克服开发者障碍
• 克服成为数据科学家的一些最糟糕的部分
• 克服大型语言模型的局限性
• 过拟合、欠拟合与正则化
• 概述全球巧克力贸易
• p 值：以简单语言理解统计显著性
• 佩速、努力和耐力
• 填充大型语言模型 — 使用 Llama 2 的示例
• PaLM：高效训练大型语言模型
• Pandas 2.0：数据科学家的游戏改变者？
• Pandas: apply、map 还是 transform？
• Polars: Pandas DataFrame 但更快
• 时间序列的 Pandas
• Pandas & Python 数据科学与数据分析技巧 — 第二部分
• Pandas & Python 数据科学与数据分析技巧——第三部分
• Pandas 和 Python 数据科学与数据分析技巧——第四部分
• Pandas 和 Python 数据科学与数据分析技巧 — 第五部分
• 如何将 Pandas DataFrame 写入 CSV 文件
• Pandas 与 Polars：语法和速度比较
• Pandas: 处理你的数据类型！
• 论文解读——《基于潜在扩散模型的高分辨率图像合成》
• 论文综述：深度解析 Imagen
• 在 Pandas 中并行化 Python：使用 Spark 的并发选项
• LLMs 的参数高效微调 (PEFT)：全面介绍
• 帕累托、幂律与胖尾
• Parquet 最佳实践：在不加载数据的情况下发现你的数据
• 使用 Python 解析 HL7
• 在人道主义数据集中解析不规则电子表格（借助 GPT-3 的帮助）
• 粒子群优化：搜索过程可视化
• PatchTST：时间序列预测中的突破
• 多变量时间序列的主成分分析：动态高维数据的预测
• PCA/LDA/ICA：组件分析算法比较
• PCA 与自编码器在小数据集上的降维比较
• Pearson、Spearman 和 Kendall 相关系数，手动计算
• 人员分析是新的热门话题，了解它的原因在于此
• 感知机：第一个神经网络模型
• 机器学习模型的性能评估技术
• 快速修复你缓慢的 Python 代码
• 使用 Python 和 OpenCV 进行图像注释
• 哲学与数据科学——深入思考数据
• 哲学与数据科学——深刻思考数据
• PID 控制器优化：梯度下降方法
• 开创数据可观察性：数据、代码、基础设施与人工智能
• Pip 安装特定版本 — 如何使用 Pip 安装特定 Python 包版本
• Pipeline Dreams: 在 AWS 上自动化机器学习训练
• Scikit-Learn 中的管道：一种打包转换的绝妙方法
• 产品实验中的陷阱
• 摆脱电子表格的束缚
• Pandas 中的透视表及使用 Python 处理多重索引数据的实用示例。
• 使用 Python 实现、解决和可视化旅行推销员问题
• 如何预测玩家流失，借助 ChatGPT 的一些帮助
• 玩转苹果健康数据
• 请：在数据科学中不要再抛硬币了
• 请停止错误绘制神经网络
• 请使用流工作负载来评估向量数据库性能
• 在框架之外绘制 — 使用 Python 替代矩形图表的 8 种圆形图表
• 使用 Python 和 Plotly Express 绘制流数据
• 如何在 Matplotlib 中绘制垂直和水平线
• Plotly 和 Pandas：结合力量实现有效的数据可视化
• Plotly 和 Python：为岩心物理和地质数据创建互动热图
• 在 Python 中绘制和弦图
• 使用 Python 绘制网络图
• 在 Python 中绘制维恩图
• POCS 基于的聚类算法解释
• 2022 年 EMNLP 上的诗歌、花卉和龙
• Python 依赖管理：你应该选择哪个工具？
• R 中的泊松回归
• 将你的分析团队定位到正确的项目上
• 使用 Python 和 Linux 的后量子密码学
• 数据驱动讲故事中的上下文力量
• 实用的预算优化方法在营销组合建模中的应用
• 使用 Python 进行时间序列异常检测的实用指南
• 实用介绍 Transformer 模型：BERT
• 使用 Azure ML 实现实用的 MLOps
• 实用的提示工程
• 实用 Python：spaCy 在 NLP 中的应用
• 实用的探索性数据分析改进技巧
• “实际”构建图像分类器
• 预训练上下文是你所需的一切
• 精准聚类简化版：kscorer 的自动选择最佳 K-means 聚类指南
• 使用 Python 预测人类表现的极限
• 使用卷积网络预测结核分枝杆菌的药物耐药性 — 论文评审
• 预测高急诊室使用率
• 使用 GPT-3 预测人道主义数据集的元数据
• 预测 NBA 薪资的机器学习方法
• 预测星巴克奖励计划的成功
• 使用 XGBoost 预测水泵的功能性
• 什么是泊松分布
• 各种逻辑回归模型的预测（第一部分）
• 各种逻辑回归模型的预测（第二部分）
• 预测性能漂移：另一面的硬币
• 准备应对气候变化与 AI 助手
• 用故事地图互动展示空间数据 #2
• 使用网络地图展示空间数据
• 贝叶斯深度学习入门
• 隐私政策
• 私有 GPT：在企业数据上微调 LLM
• 专业级 GPU 系统 vs 消费级 GPU 系统用于深度学习
• 使用回归进行二元事件的概率预测
• 使用 TensorFlow 进行概率逻辑回归
• 概率机器学习与分位数匹配：一个 Python 示例
• 主成分分析的概率视角
• 数据分析师实际生活中的概率面试问题
• 探讨最小样本量公式：推导与应用
• 使用广义加性模型（GAMs）生成见解
• 产品经理必须决定：功能还是用户设计
• 使用无服务器容器服务将机器学习模型生产化
• 工作效率技巧、数据职业见解及其他近期必读内容
• 使用 cProfile 对 Python 代码进行性能分析
• 程序辅助语言模型
• 通过 Go 和 Metal Shading Language 编程苹果 GPU
• 在三维中编程：我迈出的量子计算第一步
• 促销预测：零售巨头的案例研究
• 是时候开始讨论 LLMs 中的提示架构了吗？
• 提示工程 101：零样本、单样本和少样本提示
• 提示工程可能是 2024 年最热门的编程语言——原因如下
• 程序仿真提示框架的定义：Prompt Engineering Evolution
• 算术推理问题的提示工程
• 提示工程指南
• 提示工程：如何让 AI 解决你的问题
• 提示工程技巧、神经网络操作指南及其他近期必读书目
• 提示集使 LLMs 更可靠
• 倾向评分匹配（PSM）用于 A/B 测试：减少观察研究中的偏差
• Python 中的协议
• 使用 Python 进行邻近分析以找到最近的酒吧
• 医学自然语言处理的公共基准
• Pump & Dump 萨拉米浓缩咖啡 shot
• 南瓜香料时间序列分析
• 推动双塔模型的极限
• 对 AI 驱动的数据分析师进行测试
• 对你的预测模型进行测试：回测指南
• PyCon 珍品：精选 PyCon DE 2023 中卓越讲座的精选集
• 使用 PyMC-Marketing 进行客户生命周期价值预测
• 如何修复 TypeError: ObjectId 不是 JSON 可序列化的
• Python 中的 pyproject.toml 是什么
• PyrOSM：处理开放街图数据
• PyScript.com：云中的 PyScript IDE
• Python 和超越：扩展你的数据科学编程工具包
• Python 中的 args、kwargs 以及传递参数给函数的所有其他方式
• Python 断言，或检查猫是否是狗
• Python 可调用对象：基础和秘密
• 《Python 类简易入门：面向对象编程的权威指南》
• 我的 Python 脚本如何更像自然对话
• Python：正确计算积分
• Python 装饰器：全面指南
• 我在几乎所有数据科学项目中使用的 5 个 Python 装饰器
• Python dictcomp 管道示例
• Python enumerate() 函数解释
• Python 异常测试：清晰而有效的方法
• Python 数据工程师
• Python getattr() 函数解释
• Python help() 函数解释
• Python 继承：你应该继承自 dict 还是 UserDict？
• Python：init 不是构造函数：深入探讨 Python 对象创建
• Python 列表：处理有序数据集合的终极指南
• Python 列表与 NumPy 数组：深入探讨内存布局和性能优势
• Python Meets Pawn 2：基于开局的国际象棋大师聚类
• Python 遇见棋子：通过数据分析解码我的棋局开局
• Python 在网络上
• Python OOP 教程：如何创建类和对象
• Python OPP 以及为何 repr() 和 str() 重要
• 解释 Python ord() 和 chr() 函数
• Python Pandas 到 Polars：数据过滤
• Python 怪癖：了解如何通过一个不返回任何东西的函数来修改变量
• Python sorted() 函数解析
• Python 字符串数据类型解释
• 从 Python 到 Rust：破解 3 大障碍
• 从 Python 到 Rust：你必须了解的虚拟环境的一切
• Python 元组，真相大白，只有真相：你好，元组！
• Python 元组，真相和唯一的真相：深入探讨
• Python 类型提示：鸭子类型兼容性和与一致
• Python 类型提示：从类型别名到类型变量和新类型
• Python 类型提示在数据科学项目中：必须、可能还是不推荐？
• Python 类型提示与字面量
• Python 类型：可选的可以是强制的
• Python 水质 EDA 和可饮性分析
• Python 水印：旧 vs 新，笨重 vs 干净 — 你会选择哪个？
• 对 Python 3.12 的期待
• PyTorch 初学者图像分类教程
• PyTorch 介绍 — 构建你的第一个线性模型
• PyTorch 简介——张量与张量计算
• PyTorch 模型性能分析与优化
• PyTorch 模型性能分析与优化——第二部分
• PyTorch 模型性能分析与优化 — 第三部分
• PyTorch 模型性能分析与优化 — 第六部分
• QA-LoRA：在你的 GPU 上微调量化的大型语言模型
• QLoRa：在你的 GPU 上微调大型语言模型
• QQ 图绘制你的数据启蒙：分布的银河系旅行指南
• 量化 GPT-4 的隐藏回归
• 使用 GTFS 数据量化交通模式
• 分位数损失与分位数回归
• 量化及其他：将 LLMs 的推理时间减少 80%
• 咖啡数据中的数量与质量
• 使用 GGUF 和 llama.cpp 对 Llama 模型进行量化
• 量子计算机在人工智能和机器学习革命中的作用
• 量子计算完全初学者指南
• 量子计算在优化问题中的应用——解决背包问题
• 量子比特魔法：用量子计算创建神话生物
• 在 Azure “Prompt Flow” 中以 GPT 模式查询文档语料库
• PowerBI 中的快速而简单的时间序列预测：实用指南
• 使用 R 进行快速文本情感分析
• 快速评估你的 RAG，无需手动标注测试数据
• R 数据分析：如何为您的孩子找到完美的 Cocomelon 视频
• R 工具包用于人力分析：讲述你的员工人数故事
• 径向树图：将树图扩展到圆形映射
• RAG：如何与您的数据交流
• RAG 与微调——哪种是提升你的 LLM 应用的最佳工具？
• 使用 ggplot2 提高对气候变化的意识
• 随机森林与缺失值
• 2023 年的随机森林：一种强大方法的现代扩展
• 机器学习中的随机数
• 随机变量和概率分布
• 随机化非常大的数据集
• SQL 中的 RANK() 与 DENSE_RANK() 和 ROW_NUMBER()
• 使用 PCA 在 PySpark 中对钻石进行排名
• 伴我阅读：因果关系书籍俱乐部
• 实时火车乘客拥挤度预测
• 如何检测 LLM 中的幻觉
• 现实世界的问题以及数据如何帮助我们解决这些问题
• RecList 2.0：开源系统化测试 ML 模型
• 推荐系统：基于矩阵分解的协同过滤
• 使用 TensorFlow 推荐系统的隐式反馈推荐系统
• 重新创建 Andrej Karpathy 的周末项目 — 电影搜索引擎
• 从基础到高层次讲解和可视化的递归神经网络
• 递归化学反应
• 通过大型语言模型重新定义对话式人工智能
• 减少你的 Cloud Composer 账单（第一部分）
• 减少 Cloud Composer 账单（第二部分）
• 反思十年数据科学实践
• 如何在 Pandas 中使用正则表达式模式处理复杂字符串
• 现代偏好引导中的回归与贝叶斯方法
• 神经网络中的正则化
• 正则化为何真的有效？
• 正则化：避免机器学习中的过拟合
• 规制人工智能：基于机制的方法
• 监管生成式 AI
• 强化学习：价值迭代的简单介绍
• 强化学习基础：理解马尔科夫决策过程背后的随机理论
• 强化学习在库存优化中的应用系列 III：从模拟到现实的 RL 模型转移
• 费曼-蒂尔福德算法解析及演示
• ReLoRa: 在您的 GPU 上预训练大型语言模型
• 用 Python 去除 Landsat 卫星图像中的云层
• 替换视觉 AI 模型中的手动归一化为批量归一化
• Reprompting: LLMs 的自动化问题解决优化
• 研究人道主义灾难情况报告聊天机器人 — 使用 GPT-4-Turbo 和完整上下文提示
• 使用 LangChain 和 GPT-4 研究多语言 FEMA 灾难机器人
• 在无需重新训练的情况下重塑模型的记忆
• 重新思考数据科学组合
• 检索增强生成——直观而全面的解释
• 检索增强生成（RAG）：从理论到 LangChain 实现
• 使用 LangChain 在 CPU 上的检索增强生成（RAG）推理引擎
• 复古数据科学：测试 YOLO 的首个版本
• 逆向工程数据库模式和质量检查：GPT 与 Bard
• 数据库模式的逆向工程：GPT 与 Bard 与 Llama2（第 2 集）
• 重新审视数据科学的消亡
• 利用新图形工具彻底改变你的二分类分析，这一版本的 binclass-tools
• 语言障碍的革命：掌握多语言音频转录和语义搜索
• Rise Up! 使用数据和 Home Assistant 为我的站立式办公桌建立警报系统
• 一张图表中的博弈论与风险管理
• RLHF: 来自人类反馈的强化学习
• 道路网络边缘匹配与三角形
• 大型语言模型：RoBERTa——一种强健优化的 BERT 方法
• 石头剪刀布：量子计算的妙趣
• 图形神经网络中的罗马数字分析
• 轮换值班以进行操作和支持：数据团队的必需品
• 使用 Rasterio 旋转栅格
• 仅在另一个 DAG 成功时运行 Airflow DAG
• 使用 PHP 在你的网站上运行 ChatGPT 和 GPT 模型
• 在 Jupyter Notebook 中与 ChatGPT 运行交互式会话
• 在你的 GPU 上运行 Llama 2 70B 使用 ExLlamaV2
• 在 Julia 中后台运行任务
• 在 GCP 上运行稳定扩散集群并使用 tensorflow-serving（第一部分）
• 在 GCP 上使用 tensorflow-serving 运行稳定扩散集群（第二部分）
• 在 CPU 上使用 Hugging Face Pipelines 运行 Falcon 推断
• 在本地运行 Llama 2 进行文档问答的 CPU 推理
• 通过 Excel VBA 运行 Python —— 时间序列重采样的案例
• 在 Databricks 中使用自定义 Docker 容器运行 Python Wheel 任务
• 在 Jupyter Notebook 中使用 JupySQL、DuckDB 和 MySQL 运行 SQL 查询
• 使用 Pandas AI 跑步：对波士顿马拉松的探索
• Rust Polars：解锁高性能数据分析 — 第一部分
• Rust Polars：解锁高性能数据分析 — 第二部分
• Rust: 数据科学中的下一个大事
• Rustic Data: 使用 Plotters 的数据可视化 — 第一部分
• SaaS AI 特性与无护城河的应用相遇
• 保护 LLM 的防护措施
• 保护你的 RAG 管道：实施 Llama Guard 与 LlamaIndex 的逐步指南
• 数据分析中的抽样技术
• 采样——数据科学中的无名英雄
• 通过避免这 3 个代价高昂的错误来拯救你的 A/B 测试
• 使用 Pydeck 告别平面地图
• 说一遍！重复的话语并未帮助 AI
• Sb3，应用 RL 的瑞士军刀
• 大型语言模型：SBERT — Sentence-BERT
• 使用 Kubernetes 和 Seldon Core 进行可扩展服务：教程
• 扩展聚合聚类以适应大数据
• SCD2 技术的语义
• 场景图生成及其在机器人学中的应用
• 场景表示网络
• 在 Windows 桌面/Azure 虚拟机上自动调度 Python 脚本运行
• 使用 Jupyter API 调度和调用笔记本作为网络服务
• 科学、激情与多目标优化的未来
• 机器翻译研究中的科学可信度：陷阱与有前途的趋势
• 科学家们正接近首次近原子级别的整体细胞模拟。
• Scikit-LLM：在 scikit-learn 框架内使用 LLMs 提升 Python 文本分析能力
• Jupyter Notebooks 和 Google Colab 的 Scratchpad 插件
• Seaborn 0.12：对象接口和声明式图形的深度指南
• 使用 GitHub Actions 在 GCP 上实现无缝 CI/CD 管道：你进行有效 MLOps 的工具
• 无缝数据分析工作流：从 Docker 化的 JupyterLab 和 MinIO 到利用 Spark SQL 的洞察
• 给你的 AB 测试实验调味
• 成功细分的秘密
• 揭示对数损失的秘密
• 使用扩展的 Databricks MLFlow 保障 MLOps 的安全
• 保护你的容器化模型和工作负载
• 查看你使用 SAM 的分割效果
• 通过声音看见世界：利用 GPT-4V(ision)和文本转语音技术赋能视觉障碍者
• Segment Anything 3D for Point Clouds: 完整指南 (SAM 3D)
• Segment Anything: 可提示的任意对象分割
• 将文本分段成段落
• 使用 NLP 将文本分割成句子
• R 中的 SEIR 建模使用 deSolve — 鹿中的慢性消耗性疾病
• 在 SageMaker 中选择正确的 XGBoost 损失函数
• 自助数据分析的需求层次
• 自监督学习在计算机视觉中的应用
• 使用投影头的自监督学习
• 使用 PostgreSQL 和 OpenAI 嵌入实现语义搜索
• 使用 BERT 进行语义文本相似度分析
• 预测建模中的敏感性：用更少的流量购买付费客户的指南
• 句子变换器：伪装中的意义
• 情感分析与时间序列文本数据中的结构性断裂
• 九月还是“Septemquake”？用 R 分析和可视化墨西哥的地震活动数据
• 从你的电脑上提供大语言模型服务，通过文本生成推理
• 使用 TorchServe 服务 ML 模型
• 为 2024 年数据科学家的更高质量工作与生活平衡设定这些界限
• 为数据科学设置 Flask 应用
• 设置 Python 项目：第 V 部分
• 设置 Python 项目: 第六部分
• 使用 Scikit-Learn 的 SGDRegressor：你需要知道的未授课程
• SHAP：在 Python 中解释任何机器学习模型
• 二元和多类目标变量的 SHAP
• SHAP 用于时间序列事件检测
• SHAP 与 ALE 在特征交互上的对比：理解冲突的结果
• 使用 ONets 进行形状重建
• 用 SQL 进行数据塑形
• 照亮您数据科学之旅的可转移技能
• 最短路径（Dijkstra）算法：一步步的 Python 指南
• 深度伪造技术是否应该开源？
• 我真的应该吃这个蘑菇吗？
• 我们是否应该更依赖数据？有时候。
• 我们是否应该虚拟化我们的数据科学系统——还是不虚拟化？
• 你应该使用 slots 吗？Slots 如何影响你的类，何时以及如何使用它们
• 在你的 Medium 博客中展示 Streamlit 应用
• Siamese 神经网络与三重损失和余弦距离
• 相似性搜索，第三部分：结合倒排文件索引和产品量化
• 相似性搜索，第一部分：kNN 与倒排文件索引
• 相似性搜索，第四部分：分层可导航的小世界（HNSW）
• 相似性搜索，第五部分：局部敏感哈希（LSH）
• 相似度搜索，第六部分：使用 LSH 森林的随机投影
• 相似性搜索，第七部分：LSH 组合
• 相似性搜索，第二部分：产品量化
• 基本统计概念的简单解释（第二部分）
• 使用 Streamlit 进行简单调查
• 促进员工之间联系的简单工具
• 提高零-shot CLIP 性能的简单方法
• 在 Amazon ECS 上将机器学习模型作为 Flask API 部署的简单方法
• 在 Python 中创建合成数据集的简单方法
• 用 Hamilton 在 8 分钟内简化 Airflow DAG 的创建和维护
• 使用 BigQuery SQL 用户定义函数简化数据清洗
• 使用 Fugue 和 Python 简化 BigQuery 上的数据科学工作流
• 简化文件共享
• 用这四个鲜为人知的 Scikit-Learn 类简化你的数据准备
• 简化你的机器学习项目
• 简化 Matplotlib 中子图的创建
• 简化 Transformers：用你理解的词汇解析最前沿的 NLP —— 第四部分 —— 前馈层
• 简化变换器：使用你理解的词汇的最先进的 NLP — 第五部分 — 解码器与最终输出
• 带重启策略的模拟退火
• 模拟主题公园：用 R 理解队列时间
• 使用 Python 模拟系外行星发现
• 使用 Python 模拟物理系统
• 模拟扑克牌游戏‘战争’
• 模拟 101：导热传输
• 仿真 104：使用向量场的电磁映射
• 模拟 105：双摆模型的数值积分
• 模拟 106：使用网络建模信息扩散和社会传染
• 仿真优化：帮助我的朋友建模和优化他公司的支持台
• 单一 Python 包以满足 99% 的路径需求
• 奇异值分解（SVD）揭秘
• 奇异值分解与特征分解在降维中的比较
• 影响我数据职业生涯的六本书
• Sketch: 一个有前景的 AI 库，帮助直接在 Jupyter 中处理 Pandas 数据框
• 带有异常值的偏度和峰度
• 现代 ML 工程师的 Sklearn 管道：你不能忽视的 9 种技术
• Sklearn 教程：第 1 模块
• Sklearn 教程：第二章
• Sklearn 教程：模块 3
• Sklearn 教程：模块 4
• 使用“&”和“|”而不是“and”和“or”来切片 Pandas 数据框
• Pandas 中的滑动窗口
• 狡猾的科学：数据开采曝光
• 所以你的 AI 究竟有多公平？
• Sobel 算子在图像处理中的应用
• 使用 NetworkX 进行社会网络分析：温和的介绍
• 在数据分析中，软技能胜过技术技能
• 软技能是你在数据科学面试中脱颖而出的关键
• 编写可维护机器学习代码的软件工程最佳实践
• 敏捷项目中的软件规范
• 像数据科学家一样解决神秘盒子
• 揭开锯齿状 COVID 图表的谜团
• 使用强化学习解决 Leetcode 问题
• 解决所有 Apple Silicon 上的 Python 依赖问题
• 解决通用线性模型中的自相关问题的实际应用
• 使用 PyTorch Profiler 和 TensorBoard 解决数据输入管道瓶颈
• 使用 Python 解决地理旅行推销员问题
• 解决逆问题的物理信息深度操作网络：带有代码实现的实用指南
• 像我们一样学习的机器：解决泛化-记忆困境
• 使用离策略蒙特卡洛控制解决强化学习赛道练习
• 使用 Q 学习解决出租车环境——教程
• 使用深度强化学习解决 Unity 环境
• LLM 提示中的思维链：结构化 LLM 推理概述
• 如何按多个列在 R 中对数据框进行排序
• 使用 Typescript 进行空间数据工程
• 对我说话：一个模型阅读了多少个词
• 说话探针：自解释模型？
• 我们正在变化的全球村
• 专门化的 LLM：ChatGPT、LaMDA、Galactica、Codex、Sparrow 等
• 投机采样 — 直观且全面的解释
• 使用 LLMs 为你的移动应用提供语音和自然语言输入
• 使用 Python 的速度打字测试项目
• 使用 R 树加速你的地理空间数据分析
• 加速你的 Python 技能
• 在 Mozilla Common Voice 上的口语语言识别——音频变换。
• Mozilla Common Voice 上的口语语言识别——第一部分。
• 在 Mozilla Common Voice 上的语音语言识别 — 第二部分：模型。
• 30 个 SQL 查询通过它们的 Pandas 等效体进行解释
• SQL 在 Pandas 上——我新的最爱，速度提升 10 倍。
• 测试你的智慧的 SQL 谜题
• SQL 用户：使用这一技巧将你的查询长度缩短一半
• 利用 SQL 中的分析函数加速数据提取
• SquirrelML：预测纽约中央公园的松鼠接近行为
• Stable Diffusion 作为 API：创建一个去除人物的微服务
• 稳定扩散：掌握室内设计的艺术
• 我如何通过堆叠集成模型在欧洲最大机器学习竞赛中获得前 10%
• 堆叠时间序列模型以提高准确性
• StackOverflow 的转型：从颠覆到机遇
• 你应该在 FAANG 还是初创公司开始你的职业生涯？
• 时间序列的平稳性——全面指南
• 使用重采样的统计实验
• 统计独立性入门
• 使用 Julia 进行统计绘图：AlgebraOfGraphics.jl
• 统计学 Bootcamp 8：两个均值的故事
• 稳定航向：导航 LLM 应用程序评估
• 步骤基础：文本分类器
• 数据科学家的指南：将洞察力转化为有影响力的行动
• 逐步指南：通过从单变量分布中采样生成合成数据
• 理解的垫脚石：知识图谱作为可解释链式思维推理的支撑
• 3D 跟踪的立体视觉系统
• 网络交流让我找到工作，即使我曾被拒绝，看看我是怎么做到的。
• 停止在数据科学项目中硬编码——改用配置文件
• 停止使用 PowerPoint 来做你的机器学习演示，试试这个替代工具
• 在 TensorFlow 记录文件中存储图像
• 可视化故事讲述——哪个区域的社会经济评分最高，为什么
• 使用图表讲故事
• 用图表讲故事
• 用图表讲故事
• 图表讲故事
• 图表讲故事
• 用表格讲故事
• 战略数据分析（第二部分）：描述性问题
• 战略数据分析（第一部分）
• 《战略数据分析（第三部分）：诊断性问题》
• 从云存储中流式传输大数据文件
• 数据工程中的流数据
• 使用笔记本风格工作区简化 dbt 模型开发
• 使用 GPT-3 精简你的文档
• 优化 Azure 虚拟机性能并降低成本：提升效率的可靠策略
• 在探索性数据分析中简化重复任务
• 精简无服务器 ML 推理：释放 Candle 框架在 Rust 中的力量
• Streamlit 和 MongoDB：在云端存储你的数据
• Streamlit 教程：为数据科学项目创建 Word 报告
• 压力测试你的 NLP 模型
• 结构化您的云实例启动脚本
• 将你的机器学习项目与 MLOps 思维相结合进行结构化
• 使用分布式随机森林研究美国性别工资差距
• 数据科学成功秘诀：你在大学里没有学到的 4 项关键技能
• 通过技术图示实现 ML 项目的成功
• 总结最佳实践以进行提示工程
• 使用 NLP 和 AI 更好地总结播客文字记录和长文本
• 用 ChatGPT 总结最新的 Spotify 发布内容
• 4 个简单步骤让你的机器学习系统超充电
• 使用超级收敛加速你的深度学习模型训练
• 使用营销组合建模来超级提升你的跨渠道客户获取
• 用这个新工具提升你的数据清洗技能
• 用aiomultiprocess超级增强你的 Python Asyncio：一份全面指南
• 用 ChatGPT 超级提升你的电子表格
• 超强 pandas：加密从 DataFrames 写入的 Excel 文件
• Python 中的监督与非监督主题建模方法
• 使用 Scikit-Learn 的支持向量机：友好的介绍
• 数据讲故事的辅助材料
• 生存分析：利用深度学习进行事件时间预测（第二部分）
• 生存分析：用机器学习预测事件时间（第一部分）
• 适者生存：紧凑型生成式 AI 模型是规模化成本效益 AI 的未来
• 分析车辆尺寸与行人安全
• Svelte & 数据可视化
• 大型语言模型（LLMs）的软件/硬件协同优化策略
• LLM 和 GUI 的协同作用，超越聊天机器人
• SynthDiD 101：Synthetic Difference-in-Differences 初学者指南
• 合成控制：如果我们可以模拟替代现实呢？
• 系统设计备忘单：ElasticSearch
• 系统设计系列：从零开始构建高性能数据流系统的终极指南！
• 从头实现 t-SNE（配合 NumPy）
• T5：文本到文本的变换器（第一部分）
• T5: 文本到文本的变换器（第二部分）
• TaatikNet: 序列到序列学习用于希伯来文音译
• 使用 Tableau 仪表盘处理大数据：挑战与经验
• Tableau 数据融合教程——初学者的逐步指南
• 什么是禁忌搜索？
• Tabyl：现代 R 用户的频率表格
• 处理集中数据管理中的敏感性问题
• 应对变化世界中的问题
• Taipy：构建用户友好的生产就绪数据科学应用程序的工具
• 迈出下一步，扩展你的数据科学技能
• 什么是时间序列预测中的谐波回归？
• 使用 LangChain 和 Azure OpenAI 与您的 SQL 数据库“对话”
• 2023 年最佳：关于 ChatGPT 和 LLMs
• TDSP：当敏捷遇上数据科学
• 教人工智能玩棋盘游戏
• 教学 CLIP 时尚
• 教学很难：如何训练小模型并超越大型对手
• 教授语言模型使用工具
• 时间差学习及探索的重要性：图解指南
• Python 中的时序差分：第一个基于样本的强化学习算法
• 时间图基准
• 2023 年的时间图学习
• Python 中的临时变量：可读性与性能
• AI 十年回顾
• 张量量化：未被讲述的故事
• TensorFlow Decision Forests：全面介绍
• TensorFlow-GNN：图神经网络的端到端指南
• 使用 GradientTape 进行 TensorFlow 模型训练
• 立即测试并覆盖你的代码！
• 以有趣和简单的方式测试数据管道
• 像测试软件一样测试语言模型（和提示）
• 使用 Pytest 测试 Python 代码——适合初学者
• 测试 mlscorecheck 包的报告的机器学习性能一致性
• 测试支持 1162 种语言的大规模多语言语音（MMS）模型
• 文本分类挑战：极小数据集上的微调与 ChatGPT
• 使用 Transformer 编码器进行文本分类
• 使用 NLP 进行文本纠正
• 时间序列模型中的文本数据预处理
• 自动化化学实体识别：创建你的 ChemNER 模型
• 文本模式提取：比较 GPT-3 和 人工在环工具
• 文本搜索与向量搜索：更好地结合？
• 文本切分正确实施：为您的个人 LLM 打下坚实的基础
• 文本新颖性检测
• 1958 年的感知机作为肿瘤分类器
• 每位数据领导者成功所需的 3 项核心技术技能
• 我永久切换从 Pandas 到 Polars 的 3 个理由
• 今年提升数据技能的 4 种小而强大的方法
• 数据故事讲述中的 4D：将科学变为艺术
• 工程经理应了解的生产力五维度
• 5 种高效查找和解决数据问题的方法
• 可信赖的 LLM 测试的 5 个支柱
• 可解释机器学习的 6 个好处
• 提升数据治理的七个不寻常的数据可观测性用例
• 变换器的 A 到 Z：你需要知道的一切
• 散点图的致命弱点
• SDXL 1.0 的到来
• 优质数据分析的艺术
• 《提示设计的艺术：提示边界与标记修复》
• 提示设计艺术：使用清晰的语法
• 解决任何数据科学问题的艺术 — 提高结果的简单技巧
• 使用非线性编程优化您的营销预算
• 《有志统计学家的随机变量入门》
• AutoML 的困境
• 破坏分析的坏循环
• 多变量高斯分布下的异常检测基础
• 对比增强 CT 基础知识
• 信息提取的起始：突出关键字并获取频率
• 1 最佳替代 Seaborn Distplot 的 Python 库
• AI 和数据领导力的最佳学习路径
• 人类开发者与 AI 合作伙伴的最佳结合
• 适合你神经网络的最佳优化算法
• PyCon US 2023 最佳讲座
• 偏差-方差权衡
• 偏差-方差权衡，解析
• 数据科学的诞生：历史上首次假设检验与 Python 见解
• Decent 机器上的 Pump & Dump 浓缩咖啡配置的诞生
• 捕捉-重捕方法
• GPT-4 的碳足迹
• 反对人工智能监管的理由毫无意义
• 反对企业 LLMs 的案例
• 《… Python 中的捕手：用一个工具捕获异常和警告》
• 看到 AI 大局的挑战
• 《混沌数据工程宣言》
• CLIP 基础模型
• 创建一个优秀 PyPI 包的最完整指南
• Python 中的生存分析完全介绍
• 将大型语言模型（LLMs）集成到应用中的复杂性与挑战
• 实体解析实现的复杂性
• 时间序列分析中的移动平均综合指南
• 控制渐变
• 概率关系的反直观性质
• 文字数据的创造性、偶尔混乱的世界
• 选择损失函数在创建准确的时间序列预测中的关键作用
• 《人工智能中的持续学习现状》
• 《维度灾难揭秘》
• 讨厌数学的人的数据分析师学习路线图
• “Segment Anything”中的以数据为中心的人工智能概念
• 数据科学家的工具箱：利用 scikit-learn 的顶级功能取得成功
• 数据科学家的工具箱：解析
• GPT-4 的去污染评估
• 从基础逻辑门到深度神经网络：权威感知机教程
• 日常（AI）物品的设计
• 监控生产环境中的机器学习模型的难点
• ETL 的 Docker Compose：Meerschaum Compose
• 恐怖的对手：机器学习中的数据泄漏
• DVC 指南：所有数据科学项目的数据版本控制
• 动态批量模型：一种混合整数编程方法
• 使用大型语言模型的最简单方法？
• 使用 SQLAlchemy 进行 UPSERT 的最简单方法
• 提示工程的崭新艺术
• 蛋白质设计的机器学习时代，概括为四种关键方法
• 用一行代码构建一个分割模型
• 设施分布问题：混合整数规划模型
• 被禁书籍：美国书籍禁令的数据分析
• 音乐发现的未来：搜索与生成
• 2023 年现代数据栈的未来
• 开源 AI 的黄金时代即将结束
• Pd.Get_Dummies 的利与弊
• 梯度下降算法及其背后的直觉
• 图着色问题：精确解和启发式解
• 推荐系统指标指南
• 最困难的部分：定义分类目标
• 数据质量问题对广告支出的回报的隐藏成本
• 开源开发中的隐性危机：行动号召
• 多项式回归中的隐藏线性
• （向量）索引的隐藏世界
• 公有云上的机器学习工具层次结构
• 开源 LLMs 的历史：更好的基础模型（第二部分）
• 开源 LLMs 的历史：早期阶段（第一部分）
• 开源 LLMs 的历史：模仿与对齐（三）
• 人工智能的另一面：领导 AI 团队和项目的艺术
• 数据科学中的讲故事的重要性
• LLMs 的无限巴别图书馆
• 人工智能的膨胀：更多的模型是否总是更好？
• 检索增强生成（RAG）的内幕与外延
• 工作车间调度问题：混合整数规划模型
• Kaggle 蓝图：解锁数据科学竞赛获胜方法
• 气体动力学理论：理想气体分子的动力学建模
• 位置语言：评估生成式 AI 的地理编码能力
• 机器学习模型的生命周期
• 关于生成式 AI 的小故事：绘图挑战
• [隆巴尔效应及其如何帮助听力障碍](docs/the-lombard-effect-and-how-it-can-help-with-hearing-impairment-7ca89a9a0d1d.md)
• 长短期结合：基于比例的相关性以捕捉文档语义端到端
• LLM 的魔力——提示工程
• 量子计算的魔力：编写魔法数字猜测游戏的初学者指南
• “我写作的主要驱动力一直是学习”
• 变换器的地图
• 线性回归的矩阵代数
• R 中的线性回归矩阵代数
• 从物理学看 logistic 分类的意义
• 数据素养的威力
• 《极简主义者的 DVC 实验跟踪指南》
• 企业 AI 的护城河是 RAG + 精细调整 — 为什么如此重要
• 最强大的气候数据仍然被隐藏
• 多任务优化争议
• p 值的神话：为什么它们不是数据科学中的圣杯
• AI 中解释性的渐变的必要性
• 新的最佳 Python 包用于可视化网络图
• BigQuery 中的新生成 AI 功能
• 数据团队面临的下一个大危机
• 下一步是负责任的人工智能。我们如何实现这一目标？
• 恶名昭著的 XGBoost
• 人工智能奥运会：机器学习系统的基准比赛
• 一页数据和分析模板
• 学习递归所需了解的唯一一件事
• 理解回归树所需的唯一指南
• 数据合同的另一面：唤醒消费者责任
• 成功的数据科学之路在于你的学习能力。但是，应该学习什么呢？
• 人工智能监管之路
• 让我们来看看“混乱的数据科学家的 PATH 变量：如何管理它”
• Jupyter 的完美文本编辑器：一个完整的 Python IDE
• 平滑你的噪声数据的完美方法
• 使我获得数据科学家职位的作品集
• 使用蒙特卡罗模拟传播误差的力量和简单性
• 贝叶斯因果推断的力量：揭示数据集中隐藏因果关系的库的比较分析。
• dbt 增量模型在大数据中的威力
• 独立分量分析（ICA）在真实世界应用中的强大能力 — EEG 示例
• Linux 控制组的威力：容器如何控制其资源
• OpenAI 的函数调用在数据管道中的力量：全面指南
• 检索增强生成的力量：Base LLM 与 RAG LLMs 的比较，基于 Llama2
• 点积在人工智能中的力量
• 应对 AI 风险的实际侧面
• 对早期排序阶段的原则性方法
• 现代计算机科学家的原则
• AI 编程工具的到来：产品工程团队将如何使用它们
• 正确调用 ChatGPT API 的方法
• 数据科学的真正力量隐藏在明面上
• 研究代理：应对基于大量文本语料库回答问题的挑战
• 失落的回归：用于预测的变换器
• 推荐系统中的两塔模型崛起
• 视觉变换器的崛起
• 因果关系的科学与艺术（第一部分）
• 因果性的科学与艺术（第二部分）
• 提高投资回报率的秘密：实施全面漏斗营销方法
• 提升 NLP 性能的秘诀：深入了解 PyTorch 中的 nn.Embedding 层
• 有助于数据科学家成长的技能
• 在 Kubernetes 上运行代码的智能灵活方式
• 成为数据科学家成功所需的软技能
• SQL 单元测试现状：2023
• 《将你的 Python 项目迁移到 R 的入门指南》
• 关于为什么你的 Instagram 帖子会如此少点赞的统计理论
• 从 TensorFlow 转换到 PyTorch 的细微差别
• 高维数据的惊人行为
• 合成数据领域指南
• 评估新语言模型的三种基本方法
• 三大数据架构趋势（以及 LLMs 将如何影响它们）
• 晋级下一轮所需的前三种 SQL 技能
• GPT 模型的 Transformer 架构
• 两个信封问题
• AI 对齐的双重面貌
• nnU-Net 终极指南
• 从零开始训练 BERT 的终极指南：介绍
• 从头开始训练 BERT 的终极指南：准备数据集
• 从零开始训练 BERT 的终极指南：分词器
• 《终极 Ndarray 手册：掌握 Rust 的科学计算艺术》
• 你 NLP 模型的终极预处理流程
• Apple Silicon Macs（M1 和 M2）的终极 Python 和 Tensorflow 设置指南
• 终极可视化助手
• 《被低估的珍宝 第一部分：8 个让你成为高手的 Pandas 方法》
• 通用模型的非凡有效性
• 非结构化数据漏斗
• RAG 的未被揭示的一面：解决领域特定搜索中的挑战
• 生成式人工智能负责任使用的紧迫性
• 正则表达式在数据科学中的实用性
• 使用 Q-learning 的强化学习中行动的价值
• 世界地图的多种面貌——地图投影
• SQL 查询优化的世界
• 世界上最小的数据管道框架
• 线性回归的理论深度解析
• 没有所谓的自学程序员。
• 当你没有学习动力时，这 5 个技巧将帮助你学习数据科学
• 这 7 个编程习惯让你成为一个低效的数据科学家
• 思考 SQL —— 避免从上到下编写 SQL
• 考虑微调 LLM？在你开始之前，这里有 3 个考虑因素
• 超越数据科学的种种框架
• 为什么以人为本的 AI 设计指南在制造业中使用时可能优雅地失败
• 关于状态保持机器学习、在线学习和智能机器学习模型再训练的思考
• 使用 NLP 进行线程总结
• 用两行代码将你的 Python 程序多线程
• 在生产中部署生成模型的三大挑战
• 三种你可能不知道的表示百分比的图表
• 常见强化学习算法的三个根本性缺陷（及其修复方法）
• 阈值化 — 使图像更清晰的方式 (CV-04)
• 透过镜子，谷歌在眼睛中发现了什么
• 抛出一只猫到鸽子中间？用大型语言模型增强人类计算能力
• TiDE：那个‘令人尴尬’的简单 MLP，击败了 Transformers
• 整理数据集变化框架
• 数据集转移框架的整理：示例
• Tidyverse 与 Base-R：如何为你选择最佳框架
• 时间序列增强
• 对跑步者疲劳检测的时间序列分类 — 一个教程
• 时间序列复杂性分析使用熵
• 使用 sARIMA 和 Dash 进行时间序列数据分析
• 回到未来：使用马尔可夫转移矩阵分析时间序列数据
• 气候变化的时间序列：预测能源需求
• 气候变化时间序列：大型海洋波浪预测
• 气候变化中的时间序列：风力发电预测
• 气候变化时间序列：起源-目的地需求预测
• 气候变化的时间序列: 通过聚类减少食物浪费
• 气候变化的时间序列：太阳辐射预测
• 气候变化中的时间序列：使用深度学习进行精准农业
• 时间序列预测：深度学习与统计学——谁能赢？
• 基于深度学习的时间序列预测（LSTM-RNN）在 PyTorch 中的应用
• 用 Facebook 的 Prophet 进行时间序列预测——第一部分
• 用 Facebook 的 Prophet 进行时间序列预测，10 分钟 — 第二部分
• 时间序列转换（及还原）变得简单
• 时间旅行轻松掌握：Python Datetime 的全面指南
• TimeGPT: 第一个用于时间序列预测的基础模型
• 气候变化时间序列：极端天气事件预测
• TimesNet：时间序列预测的最新进展
• Tiny Audio Diffusion：无需云计算的波形扩散
• 大型语言模型：TinyBERT — 为 NLP 蒸馏 BERT
• 升级到 PyTorch 2.0 的技巧和窍门
• 在 Polars 中处理字符串的技巧与窍门
• 提高你 R 技能的技巧和窍门
• 学术研究出版技巧
• 理解 R 中的正则表达式的提示
• 厌倦了二维码？自己制作一个标志性标记
• 对你的数据工程师角色感到厌倦吗？
• 1 还是 0：图像分类中的像素攻击
• 为了确保人工智能决策的公正，女神需要眨眼
• 要真正掌握一个新话题，请慢慢来
• 是否使用机器学习
• 特征过多？让我们来看看主成分分析
• ToolFormer：指导 AI 模型使用外部工具
• R 语言中的前 10 个错误及其修复方法
• 每个数据科学家都应该了解的前 10 大预训练模型
• 机器学习中的前 4 个图
• 2023 年使用的 6 大数据标注工具
• 查找气候变化数据集的前 5 个最佳来源
• 从图像中提取文本的前 5 个 Python 库
• 数据工程师在加入初创公司前应问的五个问题
• 顶级的 5 种 CSV 替代方案
• 2023 年必读的数据科学与机器学习顶级书籍
• 使用 Llama 2 进行主题建模
• 生产中的主题建模
• 使用 ChatGPT API 进行主题建模
• 使用 BERTopic 的类别话题
• 基于对流扩散变换器的拓扑泛化
• TorchServe & Flask 用于图像风格迁移
• 向 AGI 迈进：LLMs 和基础模型在终身学习革命中的角色
• 实现数据科学中的工具无关性：SQL 中的 CASE WHEN 与 Pandas 中的 WHERE
• 朝向生成式 AI 的模型架构
• 朝向绿色 AI：如何在生产中提高深度学习模型的效率
• LLM 解释性：为什么我的模型产生了这个输出？
• 迈向视觉中的独立自注意力
• 关于大型语言模型的无偏评估
• 理解专家混合模型
• 使用 Tracemem 跟踪 Python 会话内存
• 传统指标与神经指标在机器翻译评估中的比较
• 训练图像分割模型以通过 Voronoi 平铺接受用户反馈，第一部分
• 通过 Voronoi 分割训练图像分割模型以接受用户反馈，第二部分
• 使用自动梯度下降训练 ImageNet，无需超参数
• 通过更改仅一行代码，在 GPU 上训练你的 ML 模型
• 自定义 YOLOv7 对象检测与 TensorFlow.js
• 训练深度学习模型以检测微控制器上的 DoS 攻击
• 在 Kafka 流上训练机器学习模型
• 通过自我对弈训练一个代理以掌握简单游戏
• 训练一个智能体通过自我对弈掌握井字游戏
• 使用 PDF 文档训练自定义 Detectron2 模型进行目标检测（第一部分）
• 使用教科书质量的合成数据训练语言模型
• 通过强化学习训练机器人操控器在避障任务上的应用
• 使用 Softmax Loss 训练句子变换器
• 通过真实生活模拟训练数据科学中的问题解决技能：一种角色扮演双聊天机器人方法
• 在 1TB 数据集上训练 XGBoost
• 使用 MLflow 实验和 HyperOpt 调整训练 XGBoost
• 迁移学习入门
• 变压器辅助的供应链网络设计
• Transformer 模型 101：入门 — 第一部分
• Transformer 模型 101：入门指南 — 第二部分
• 通过微调的变换器模型进行自定义文本分类
• Transformers 可以生成 NFL 比赛：介绍 QB-GPT
• 深入了解 Transformers – 第一部分。5 分钟介绍 Transformer 模型
• 变换器 — 直观且详尽的解释
• Transformers 是否输给了线性模型？
• 简化 Transformers：使用你理解的词汇的最先进 NLP——第一部分——简介
• 简化 Transformers：使用你理解的词语的最前沿 NLP — 第二部分 — 输入
• 简化变换器：使用你理解的词汇进行的前沿 NLP — 第三部分 — 注意力机制
• 将文本转化为向量：TSDAE 的无监督方法用于增强嵌入
• 使用 ChatGPT 进行翻译
• 翻译术语与 LLM（GPT 和 Vertex AI/Google Bard）
• TranSPormer: 一种解决旅行商问题的 Transformer 网络
• 在编写 Python 代码时使用 “Black” 库来犒赏自己
• 树集成：自助法、提升法和梯度提升
• 思维树提示
• 在您的数据上训练 YOLOv8 实例分割
• 尝试这 3 个鲜为人知的 Pandas 函数
• TSMixer: 谷歌推出的最新预测模型
• 提升你的数据操作技能
• 转身面对陌生事物
• 将 GPT-4 转变为扑克教练
• 将线性回归转变为逻辑回归
• 将洞察转化为可操作的成果
• 使用 string2string 驯服文本：一个强大的 Python 库，用于字符串对字符串算法
• 变压器在预测推特账户身份中的力量
• 两种可以显著提升你的查询的高级 SQL 技巧
• 两次发球：分析 2000 年至 2020 年的 ATP 发球数据
• 你需要知道的两个有趣的 pandas 数据操作函数
• 两篇新论文详细分析了 AlphaFold 2 的 2 亿个模型揭示的蛋白质宇宙
• 两个强大的 Python 特性，以简化你的代码并提高可读性
• 推荐系统中的双塔网络和负采样
• R 中的双因素 ANOVA
• 双因素方差分析测试，使用 Python
• 两种本地下载和访问 Llama 2 的方法
• 类型提示数据框用于静态分析和运行时验证
• Python 中的类型提示
• I 型和 II 型错误及假设检验中的样本大小计算
• U-Net 解析：理解其图像分割架构
• 终极 Hive 教程：大数据管理与查询的必备指南
• ULTRA: 知识图谱推理的基础模型
• UMAP 变异解释
• 解密 Cox 回归：Cox 回归的隐藏黑暗秘密
• 解锁 Cox 回归：Cox 回归的直观指南
• 开箱 DINOv2，Meta 的新型全能计算机视觉骨干网络
• 拆解 Google Bard 和 GPT-4
• 使用 Python 的 Pandas 库简化非传统的日期时间转换
• 使用变分自编码器（VAE）发现异常：深入探索无监督学习的世界
• 揭示传统 DiD 方法的局限性
• 揭示巴西市政影响、公共卫生支出和患者转移之间的关联
• 揭示 Word2Vec 的开创之旅及人工智能科学的现状
• 揭示 DAX 中 KEEPFILTERS 的秘密
• 理解并实现带掩码的自回归流与 TensorFlow
• 理解 Polars 缺乏索引
• 通过从零开始构建交叉熵来理解策略梯度
• 理解 SQL 注入并学习如何在 Python 中使用 SQLAlchemy 避免它
• 实时了解您的数据
• 理解和减轻 LLM 幻觉
• 深入理解 AUC 分数：意义何在？
• 了解贝叶斯市场营销组合建模：深入探讨先验规格
• 理解因果树
• 了解 ChatGPT 插件：益处、风险及未来发展
• 理解深度学习优化器：动量、AdaGrad、RMSProp 与 Adam
• 理解 DeepMind 矩阵乘法
• 理解 Power BI 中的不同缓存类型
• 理解梯度提升：数据科学家的指南
• 理解机器学习中的梯度下降
• 理解群体顺序测试
• 理解直方图和核密度估计
• 理解独立性及其在因果推断和因果验证中的重要性
• 理解工具变量
• 理解目标检测中的交并比（代码）
• 在因果推断中理解治疗加权的逆概率 (IPTW)
• 理解 KL 散度
• 勇敢学习机器学习：揭示 L1 和 L2 正则化（第一部分）
• 理解大型语言模型：(Chat)GPT 和 BERT 的物理学
• 了解 LoRA — 低秩适配用于微调大型模型
• 理解马赛克图
• 使用 Python 理解多项分布
• 理解 Naive Bayes 算法
• 了解 NeRFs
• 理解机器学习中的噪声数据和不确定性
• 理解预测性维护 — 数据采集与信号去噪
• 理解预测性维护 — 单位根和稳态
• 理解预测性维护——波数据：特征工程（第一部分）
• 了解预测性维护——波形数据：特征工程（第二部分）
• 使用 Gradio 理解保留率
• 理解 SQL：入门窗口函数
• 理解 SQL：执行顺序
• 了解 TF-IDF：NLP 中的一种传统特征提取方法
• 以苏格拉底式的方法理解去噪扩散概率模型（DDPMs）
• 什么是超几何分布
• 理解集成学习中多样性的重要性
• 理解推动产品的多层数据管理
• 了解时间序列趋势
• 了解我们失去的东西
• 使用 Pytest 对 PySpark 代码进行单元测试
• 单变量离散分布：易于理解的解释
• 释放隐藏模式：无监督机器学习文章推荐系统指南
• 释放 GPT-3 的力量：超级英雄描述的微调
• 释放 MLflow 的力量
• 发掘数据科学家的提示工程潜力
• 释放 Python Asyncio 队列的力量
• 释放 Julia 超级类型的力量
• 用你的笔记本电脑释放数据科学的潜力
• 发掘 Python 的全部潜力
• 解锁音频数据的潜力：使用 Whisper、WhisperX 和 PyAnnotate 进行高级转录和语音分段
• 解锁因果推断的力量：数据科学家理解“后门调整”公式的指南
• 解锁因果推断和前门调整的力量：数据科学家的深入指南
• 解锁使用 Python、特征存储和 GCS 的高效批量预测管道的秘密
• 如何在 3 行代码中从任何 DataFrame 计算条件概率
• 解锁因果推断的秘密，通过有向无环图的硕士班
• 通过强大的五步因果影响框架释放你作为商业分析师的全部潜力
• 解锁数据访问：在没有 API 端点的情况下利用触发器
• 解锁数据建模成功：3 个必须拥有的上下文表
• 解锁决策制定：人工智能桥接理论框架与技术进步
• 使用 Airflow 解锁 MLOps：ML 系统编排的全面指南
• 释放 JupyterLab 的潜力：发现你从未知道过的强大文本编辑器
• 解锁大数据的力量：图学习的迷人世界
• 媒体中面部模糊的力量解锁：全面探索与模型比较
• 解锁线性回归中交互项的力量
• 解锁路线可视化的力量：3 种基本技巧
• 利用 LLMs 解锁文本数据的力量
• 解锁慢变维（SCD）的秘密：八种类型的全面视角
• 解锁用户激活与根本原因分析
• 揭示 AI 对跨性别社区的有害影响
• 解开物理信息神经网络的设计模式：第二部分
• 揭示物理信息神经网络的设计模式：第三部分
• 揭示物理信息神经网络的设计模式：第四部分
• 揭示物理信息神经网络的设计模式: 第五部分
• 揭开物理信息神经网络设计模式的面纱：第六部分
• 揭示物理信息神经网络的设计模式：第七部分
• 解密物理信息神经网络的设计模式：第 01 期
• 揭开大数法则的面纱
• 揭示复杂性：一种使用噪声注入的流形学习的新方法
• 解决压缩轴的终极修复，逐步指导
• 无监督数据剪枝：更少的数据学习更好
• 无监督学习与涌现模式
• 无监督学习方法系列 — 探索 K-均值聚类
• 无监督学习系列——探索 DBScan
• 无监督学习系列：探索层次聚类
• 无监督学习系列——探索自组织映射
• 无监督学习与 K-Means 聚类：从图像生成颜色调色板
• 无监督机器学习：探索一系列无需输出标签的模型
• 揭开 dropout 层的面纱：提升神经网络的必备工具
• 揭示偏差调整的力量：在类别不平衡数据集中提升预测精度
• 揭示推荐系统中的精确度@N 和召回率@N
• 提升您的数据可视化：4 个 Python 库以增强您的 Matplotlib 图表
• 在机器学习系统中维护数据质量
• 提升建模 — 数据科学家优化信用卡续卡活动指南
• 成本优化中的提升建模
• 城市可达性 — 如何及时到达除颤器
• 城市韧性：空间公平
• 城市韧性：地震韧性，案例研究 [第一部分]
• 使用 ChatGPT 查询你的 Neo4j 数据库
• 使用类来生成信号
• 使用深度学习生成奇幻名字：从零构建语言模型
• 将 Delta Lake 用作下游应用程序的主数据管理（MDM）源
• 更频繁地使用频率分析
• 使用 GPT 模型生成用于训练机器学习模型的文本数据
• 使用 LangChain 的输出解析器与 ChatGPT 配合以获得结构化输出
• 使用 PyGWalker 提升你的 Jupyter Notebook EDA 体验
• 使用 Python 并行下载多个文件（或 URL）
• SMOTE 和其他选项：处理不平衡数据的综合指南
• 使用分区，卢克！一个简单且经过验证的优化 SQL 查询的方法
• 使用同义词 API 方便地更新 Elasticsearch 中的同义词
• 使用这些方法使你的 Python 并发任务表现更佳
• 使用 to_string() 防止 Python 隐藏打印数据框的主体
• 用户流失预测
• 用户反馈 — 机器学习监控栈的缺失部分
• 使用 Apache Kafka 进行数据流处理
• 使用贝叶斯网络预测医院中的辅助服务量
• 在 Python 中使用二项分布
• 将 ChatGPT 作为创意写作伙伴——第一部分：散文
• 使用 ChatGPT 作为创意写作伙伴——第二部分：音乐
• 使用 ChatGPT 作为创意写作伙伴 — 第三部分：图画书
• 使用 ChatGPT 进行高效调试
• 使用 ChatGPT 将 R 代码翻译成 Python
• 使用 DeepFace 进行面部识别
• 使用 DuckDB 与 Polars
• 使用枚举和 functools 升级你的 Pandas 数据管道
• 使用从 BERT 嵌入中衍生的向量表示的傅里叶变换进行语义相似度评估
• 使用 GPT-3.5-Turbo 和 GPT-4 进行人道主义数据类别预测
• 使用 GPT-4 的视觉功能作为艺术评论家
• 使用 Python 和 Kafka
• 使用大型语言模型作为推荐系统
• 使用 LazyPredict 评估 ML 算法
• 使用 LLM 来评估 LLM
• 使用机器学习创建自定义色彩调色板
• 使用 MLflow 和 ATOM 跟踪所有机器学习实验，而无需额外的代码
• 使用多任务和集成学习预测阿尔茨海默病的认知功能
• 使用 OpenAI 和 Python 提升你的简历：一步一步的指南
• 使用 OpenCLIP 进行图像搜索和自动字幕生成
• 使用 Plotly 3D 表面图可视化地质表面
• 使用 Plotly Express 旭日图探索地质数据
• 使用 Polars 插件通过 Rust 实现 14 倍速度提升
• 数据科学中的概率词使用
• 使用倾向评分匹配来构建领先指标
• 使用 Python 解决工程中最常见的问题之一
• 使用量子退火进行 scikit-learn 特征选择
• 使用 React 构建互动界面以展示令人兴奋的数据集
• 使用无服务器函数来管理和监控基于云的训练实验
• 使用 SHAP 调试 PyTorch 图像回归模型
• 使用斜率图表简化你的数据可视化
• 使用符号回归为 Elo 著名评分系统增加不确定性
• 使用 SQL 中的 HAVING 和 DISTINCT 子句
• 在 Python 中使用 Tqdm 与 Asyncio
• 使用 pykrige 和 matplotlib 进行地质变化的空间可视化
• 利用 PyArrow 改进 pandas 和 Dask 工作流
• V-Net，U-Net 在图像分割中的“大哥”
• 改善咖啡脱气的真空腔
• 使用 SQL 验证字符串是否为 HTML
• 使用 SQL 验证平衡括号
• VALL-E — 语音合成的未来？
• 深度学习中的梯度爆炸与消失问题
• 随机森林中的变量重要性
• 实验中的方差减少 — 第一部分：直觉
• 实验中的方差减少 —— 第二部分：协变量调整方法
• 重要性采样的方差减少
• 使用 Gumbel Softmax 的离散分布变分自编码器（VAE）
• 变分推断：基础知识
• 机器学习中的各种部署类型
• 机器学习中的向量表示
• 向量搜索并不是你所需的一切
• 向量化：是什么以及它是如何工作的？
• 使用 JAX 向量化和并行化 RL 环境：以光速进行 Q 学习⚡
• 使用 Modelbit 通过 Git 进行机器学习模型部署的版本控制
• 实践中的版本控制：数据、机器学习模型和代码
• VIM 教程 — 像专业人士一样编辑文本
• 视觉基础的重复计数在实际应用中的探索
• 面向视觉的语义占用预测用于自动驾驶
• 使用冻结的大型语言模型进行视觉问答
• 使用 Python 可视化卫星图像的 RGB 通道
• 使用 Plotly Express 在 3D 线图上可视化井路径
• Arabica 中的可视化模块加速了文本数据的探索
• 嵌入的可视化
• 纽约市的可视化
• 使用 Matplotlib 可视化数据范围
• 视觉化线性代数以入门机器学习：第一部分
• 通过可视化线性代数入门机器学习：第二部分
• 使用 Google Trends 可视化 AI 和技术炒作
• 可视化气候变化：用 Python 重现气候条纹的逐步指南
• 使用 Basemap 和 mplleaflet 可视化地理空间网络图
• 可视化 3 种 Sklearn 交叉验证：K-Fold、Shuffle & Split 和 Time Series Split
• 通过 Python 的 NetworkX 库可视化社交网络以获取更好的洞察：分析和映射社交关系
• 更好洞察的社会网络可视化：使用 Python 的 NetworkX 库分析和映射社会关系 — 第二部分
• 可视化反卷积操作
• 可视化多重共线性对多重回归模型的影响
• 直观地展示维度诅咒的真实程度
• 使用 Python 地图可视化贸易流量 — 第一部分：双向贸易流量地图
• vLLM：PagedAttention 实现 24 倍更快的 LLM 推理
• 语音助手的可访问性
• Voronoi 网格：一种实际应用
• Vosk：高效企业级语音识别的评估与实施指南
• 想成为更好的数据科学家吗？写编程教程！
• 想提升你的短期预测？试试需求感知
• 注意你的束搜索超参数
• 水接触时间与浓缩咖啡中的萃取：一个实验
• 我们应该早就看到 ChatGPT 了
• Web Speech API：什么有效，什么无效，以及如何通过将其与 GPT 语言模型连接来改进它
• 权重衰减在没有残差连接的情况下能有效吗？
• 使用 Keras 进行测井数据预测的神经网络
• 50 多次机器学习面试（作为面试官）教会了我什么
• 什么是梯度，为什么会爆炸？
• 如何使用 Hugging Face 代理进行 NLP 任务
• 什么是多模态模型？
• Transformer 架构中的 Query、Key 和 Value 是什么？它们为什么被使用？
• GPT 模型背后的数据中心 AI 概念是什么？
• 对编码分类受保护属性的公平性影响是什么？
• 成为初创公司全栈数据科学家的体验
• ChatGPT 对你的了解：OpenAI 在数据隐私方面的进展
• 熵度量了什么？直观解释
• “最佳实践”到底是什么意思？
• 当机器学习出现错误时，这意味着什么？
• 算法“学习”到底意味着什么？
• 数据科学家究竟做什么？
• GPT-4 带来的 AI 新视角
• 语义网发生了什么？
• Neo4j v5 中 APOC 发生了什么：核心版和扩展版
• 当大多数在线内容变成 AI 生成时会发生什么？
• 我作为数据分析师保持相关性的做法
• 作为数据科学家，经过一年 AB 测试后我学到的东西 — 第 1/2 部分
• 我作为数据科学家在进行了一年的 AB 测试后学到的东西——第二部分/2
• 成为高效的机器学习团队领导
• 我在担任数据科学总监的第一年学到的东西
• 我在推动提示工程极限时的所学
• 我在每个数据分析师候选人身上寻找的特质
• 我们是否可以轻松解释过于复杂的模型？
• 作为数据科学家，是什么激励了你？
• 什么是生命周期评估？LCA
• 什么是卫星图像时间序列？
• 什么是时间序列单位根？
• 解锁 Presto 分布式 SQL 的力量：全面指南
• 什么是贝叶斯误差？
• 什么是商业智能？
• 什么是数据质量？
• 什么是 dbt（数据构建工具）以及何时使用它？
• 什么是 EDI？电子数据交换
• 什么是 ESG 报告？
• 什么是生成性 AI？全面指南
• 什么是绿色洗涤，我们如何利用分析检测它
• 什么是智能过程自动化（IPA）？
• 什么是学习排名：学习排名方法的初学者指南
• 什么是部分信息分解及特征如何交互
• 什么是过程挖掘？
• 什么是合成数据？
• SQL 中 UNION 和 JOIN 的区别是什么？
• AI 的环境影响是什么？
• 两个人拥有相同首字母的概率是多少？
• AI 对裁员的真实影响是什么？深入分析
• 关于气候的言论：Twitter 数据的 Python 聚类
• 人工智能在医疗保健中应扮演什么角色？
• 当你的 p 值 = 0.052 时，你的决定应该是什么？
• 什么阻碍了你获得第一个数据科学工作？
• 带什么？——基于协同过滤的物品建议
• 找到异常值后该怎么做
• Pandas 2.0 有什么新变化？
• Pandas 2.1 中的新功能
• 2023 年的分析领域接下来会发生什么？
• 当 AI 走错路时：现实世界中的高-profile 机器学习失误
• 创作歌手何时最成功？
• 当 AutoML 遇上大型语言模型
• 何时在 CPU 上运行代码而不是 GPU：典型案例
• 人类在需要回答数据相关的棘手问题时
• 何时使用条形图是不正确的？
• 毫秒至关重要——我在性能改进中的旅程
• 当点预测完全无用时
• 你什么时候应该微调 LLM？
• 你应该在什么时候停止寻找？
• 当电子表格不够用时：关系数据库的课程
• 随机策略何时优于确定性策略
• 解决复杂问题时，第一步是最困难的
• 当数据集较小时，特征是你的朋友。
• 你应该何时更喜欢“汤普森采样”而不是 A/B 测试
• 所有的女性都在哪里？
• 数据科学在 2023 年将何去何从？
• 公交车在哪里？GTFS 将告诉我们！
• 咖啡的激光粒子分析何处出错
• 针对你的大数据项目，应该使用哪个数据格式？
• 哪些特征对你的分类模型有害？
• 哪些 GPT 类似模型工程技术适用于系统日志？
• 我应该选择哪个在线数据科学课程？
• 黑客使用哪些编程语言？
• 哪种量化方法适合你？（GPTQ vs. GGUF vs. AWQ）
• 哪个团队应该负责数据质量？
• Whisper JAX 与 PyTorch：揭示 GPU 上 ASR 性能的真相
• 谁做什么工作？AI 眼中的职业角色
• 谁赢，谁输？AI 编码工具将如何影响不同类型的业务
• 为什么箱线图不应单独使用及与之配合使用的 3 种图表
• 为什么接受“任何数据工作”是一个糟糕的职业决定，你应该做什么
• 为什么以及如何实现更长的 LLM 上下文窗口
• 为什么以及如何在多重假设检验中调整 P 值
• 为什么所有地图都不准确？
• 为什么语言模型无处不在？
• 为什么随机实验是因果推断中的黄金标准？
• 为什么回测重要以及如何正确进行
• 为什么卷积？理解卷积和深度网络中的特征提取
• 为什么数据不是新石油以及数据市场为何让我们失望
• 为什么数据项目无法产生实际影响：作为分析经理需要关注的 5 个关键因素
• 为什么我们还需要神经网络？
• 为什么我们拥有庞大的语言模型而视觉变换器却很小？
• 为什么你需要使用 SQL 分组集来汇总数据？
• 为什么假设检验应该从《哈姆雷特》中汲取灵感
• 我为什么签署了“暂停大型 AI 实验”请愿书
• 为什么我作为数据科学家要学习 JavaScript
• 为什么特征缩放在机器学习中很重要？讨论 6 种特征缩放技术
• 为什么将人工智能技术成功应用于临床护理如此困难？
• 为什么更多即是更多（在人工智能中）
• 为什么 OpenAI 的 API 对非英语语言更昂贵
• 为什么概率链结比模糊匹配或基于术语频率的方法更准确
• 为什么数据科学家应该采用机器学习（ML）管道
• 为什么简单模型往往更好
• 为什么 SOLID 设计很重要：避免代码异味并编写可维护的代码
• 为什么 Taskgroup 和 Timeout 在 Python 3.11 Asyncio 中如此重要
• 为什么似乎存在“免费午餐”
• 为什么企业 AI 中的信任与安全（相对来说）很简单
• 为什么理解数据生成过程比数据本身更重要
• 为什么 WGANs 超越 GANs：从 KL 散度到 Wasserstein 损失
• 为什么你（几乎）不能在家中用 Python 计算圆周率到一亿位
• 为什么你需要知识图谱，以及如何构建它
• 为什么你需要在 Python 中使用装饰器来编写 DRY 代码
• 为什么作为数据科学家你应该考虑使用 Fortran
• 为什么你应该在地理空间开发中使用 DevContainers
• 为什么你的数据管道需要闭环反馈控制
• 为什么你的 RAG 在生产环境中不可靠
• 训练中断会毁掉我的马拉松吗？
• ChatGPT 会取代数据科学工作吗？
• 生成式 AI 是否会取代数据分析师的需求？
• 窗口函数：数据工程师和数据科学家必知的内容
• PostgreSQL 中的窗口函数
• 用简单的，甚至非线性的时间序列模型获胜
• 无需多言：自动化开发环境和构建
• 词嵌入的解释
• 解释 Word2Vec、GloVe 和 FastText
• 使用 Julia 进行 Wordle 单词长度和字母频率分析
• 在邮政编码级别处理地理空间数据
• 使用 Hugging Face 数据集
• 在 Julia 中使用 MS SQL Server
• 从人工智能的视角看世界历史
• 你会成为数据策略师吗？
• 使用部分和 Pydantic 编写 DRY 数据模型
• 使用 Behave 编写可读的机器学习模型测试
• 编写关于自然语言处理的书籍有点像解决一个复杂的数据科学项目
• 为数据管道编写设计文档
• 使用 GPT-4 写歌曲：第一部分，歌词
• 使用 GPT-4 创作歌曲：第二部分，和弦
• 使用 GPT-4 写歌：第三部分，旋律
• XAI 预测：基础扩展
• XGBoost：深度学习如何取代梯度提升和决策树 — 第一部分
• XGBoost：深度学习如何替代梯度提升和决策树 — 第二部分：训练
• XGBoost：简介、逐步实现和性能比较
• XGBoost 现在支持 MAE 作为目标函数
• XGBoost: 权威指南（第一部分）
• XGBoost：权威指南（第二部分）
• XGBoost：理论与超参数调优
• YOLO-NAS：如何在目标检测任务中实现最佳性能
• Raspberry Pi 上的 YOLO 目标检测
• 你不能踏入同一条河流两次
• 你暂时不需要数据领域……
• 你的数据科学可视化将不再相同——Plotly 和 Dash
• 你的数据（终于）在云端了。现在，别再那么依赖本地了
• 你的数据集有缺失值？什么都不做！
• 你的特征重要吗？这并不意味着它们是好的
• 您的第一个推荐系统：从数据准备到机器学习调试与改进评估
• 你进入计算机视觉的第一步
• 你自己的个人 ChatGPT
• 您的个人 LLaMa
• 你的 Strava 年度统计……但用 Python 的方式
• 你的视觉-语言模型可能只是一个词袋
• 你在数据项目中遇到了瓶颈，现在该怎么办？
• Zephyr 7B Beta：一个好的老师就是你所需要的一切
• Zero-ETL、ChatGPT 与数据工程的未来
• 零-shot 与相似度基于的文本分类
• 零和游戏和混合策略