标签
Roman Vershynin 的教材《High-Dimensional Probability》第二版可从作者网站免费下载PDF,面向数据科学的博士生和研究人员。
推广《数学方法在数据科学》一书,该书使用Python连接理论与实践,可在亚马逊购买。
建议推文:只构建两个关键AI/DS项目——一个真实的ML预测应用和一个RAG+agent应用——就能获得高薪职业。
一本全面指南,助你精通 Kaggle 数据科学竞赛,涵盖机器学习、生成式 AI 和大语言模型技术,新增时间序列与生成式 AI 章节。
宣传曼宁出版社的《Python中的异常值检测》一书,涵盖多种异常值检测技术,重点强调可解释性。
推广《数据科学中的图算法》一书,该书教授图算法及其在Neo4j中的应用,涵盖知识图谱、社交网络分析和节点嵌入等主题。
一位统计学家提出了一种工作流程,其中AI用于头脑风暴和演示文稿格式化,而人类专家则负责核心定量分析以保持准确性。
分享了来自加州大学戴维斯分校的 David Cherney、Tom Denton 和 Andrew Walton 编写的《线性代数》免费PDF,强调了该书对人工智能和数据科学的重要性。
由KirkDBorne分享的关于选择正确统计检验的速查表。
关于学习Python的NumPy库的推广推文,链接到官方指南书和numpy.org/learn网站。
DSWorld 提出了一种数据科学世界模型,通过预测环境状态转换来减少自主代理中代价高昂的试错过程,在强化学习训练中实现了14倍加速,推理时加速3-6倍,同时保持了有竞争力的性能。
这是一份为不熟悉数据工具的软件开发人员提供的全面指南,涵盖数据生命周期、数据职业和工具生态,并融合了作者在 Deepnote 和 Metabase 的经验见解。
解释传统RAG与Agentic RAG的区别,强调Agentic RAG增加了决策层以实现迭代检索和多源推理,并提到即将举办的训练营。
一个 GitHub 仓库,提供全面模块化的路线图以及免费资源,涵盖从零开始学习 AI、ML、深度学习及相关领域所需的知识,包括数学基础、数据科学和生成式 AI。
推广一个名为“AI Expert Roadmap”的存储库,该库为人工智能、机器学习、深度学习、数据工程、大数据和数据科学提供了结构化的学习路径。
精心整理的880个优秀Python机器学习开源项目合集,覆盖自然语言处理、数据可视化和时间序列等多个领域。
介绍CausalDS,一个用于评估基于LLM的数据科学智能体中因果推理的基准。它利用合成结构因果模型和自然语言故事测试关联、干预和反事实推理,以及工具使用和弃权。
本文研究了LLM生成的可复用技能文件是否能在数据科学工作流中提升AI数据科学家的表现。通过涉及超过9000次运行的广泛消融实验,作者发现生成的技能相较于基线提示并未带来显著改进,因此提醒不要默认使用它们。