使用 LLM 进行编程、学习数学、数据科学自由职业及其他 3 月必读文章

最新推荐文章于 2025-12-18 10:34:05 发布

原创最新推荐文章于 2025-12-18 10:34:05 发布 · 808 阅读

12 ·

CC 4.0 BY-SA版权

License CC BY-NC-SA 4.0 / 自豪地采用谷歌翻译

文章标签：

#学习

榛樿鍒嗙被专栏收录该内容

1051 篇文章

订阅专栏

原文：towardsdatascience.com/coding-with-llms-learning-math-data-science-freelancing-and-other-march-must-reads-2be3b5bbab9b?source=collection_archive---------2-----------------------#2024-03-28

https://towardsdatascience.medium.com/?source=post_page---byline--2be3b5bbab9b--------------------------------https://towardsdatascience.com/?source=post_page---byline--2be3b5bbab9b-------------------------------- TDS 编辑

·发布于Towards Data Science ·发送为新闻简报 ·阅读时间：4 分钟·2024 年 3 月 28 日

–

随着基于大型语言模型的工作流变得越来越复杂和广泛，我们看到越来越多的创新方法，帮助实践者根据特定项目和使用场景调整（并优化）模型的表现。我们上个月最受欢迎的许多文章都聚焦于这一趋势，提供了针对新手和经验丰富用户的优秀指南。

我们的月度亮点不仅聚焦在激动人心的 LLM 世界，还探讨了许多数据和机器学习专业人士关心的其他话题——从巩固数学技能到简化 Python 中的错误信息。希望你能在接下来的几天里抽出时间，发现（或重新阅读）我们 3 月最受欢迎的几篇文章。让我们开始吧！

月度亮点

DSPy 简介：告别提示，迎接编程！ 最近，少有工具能像 DSPy 一样引起如此大的关注，它是一个强大的开源框架，用于算法优化提示和权重。Leonie Monigatti 以她标志性的清晰度和实用方法探讨了这一主题，她为初学者编写的指南吸引了本月 TDS 最多的读者。
如何学习数据科学所需的数学数据科学家需要积累多少数学知识才能在工作中表现出色？这个多年的辩论仍在继续，但对于那些仍在建立基础技能的人员，Egor Howell的入门指南——附带丰富的资源和技巧——是一个很好的起点。
为何大型语言模型不适合编程AI 辅助编程并不是什么新鲜事，但在过去一年多里，关于开发者即将消失的讨论变得越来越普遍。从你的角度来看，Andrea Valenzuela对大型语言模型当前局限性的评估要么令人警觉，要么令人安慰；通过测试 ChatGPT 的能力，她总结道：“它常常难以生成高效且高质量的代码。”

https://github.com/OpenDocCN/towardsdatascience-blog-zh-2024/raw/master/docs/img/e9d160883ef58c4fb41f437e47fe459b.png

图片由Katrin Leinfellner提供，来源于Unsplash

可视化你的 RAG 数据——使用 Ragas 评估你的检索增强生成系统评估检索增强生成（RAG）系统的性能至关重要，但常常也很棘手。在 TDS 首次亮相中，Markus Stoll带领读者了解如何使用 Ragas 框架，该框架有助于 RAG 管道的评估，并特别关注如何有效地可视化结果。
Langchain 中的 LLM 代理简介：当 RAG 不足以应对时刚开始接触 LLM 代理吗？跟随Alex Honchar的实战教程，教程指导我们通过利用 LangChain 的 LangSmith 平台的力量，规划、构建并实施代理。
使用 PySide6 构建你的第一个桌面应用程序 [数据科学家版]如果你有动手的兴趣，但对 LLM 不那么热衷，为什么不尝试一下不同类型的项目呢？Arunn Thevapalan提供了一份逐步指南，教你如何使用 PySide6 构建一个功能性的桌面应用程序，这项技能在许多场景中对数据专业人员非常有用，尤其是在与其他利益相关者分享工作时至关重要。
如何从任何文档生成用于 LLM 微调的指令数据集我们对 LLM 的探索还未结束！为这些模型收集微调数据可能既耗时又昂贵；作为一种潜在的解决方法，Yanli Liu提出了一种创新的方法：借助开源库 Bonito 自动化地从各种文档中创建指令数据集。
我在自由职业数据科学家的前三个月学到了什么“归根结底，就是这一点：我可以选择做什么、何时做、以及为谁工作。”在众多公司从事数据科学工作多年后，CJ Sullivan决定转行成为自由职业者；她的最新文章为那些可能考虑类似转型的读者提供了深刻的反思和务实的建议。
告别令人困惑的 Python 错误信息减少调试代码的时间是开发者和数据科学家的永恒目标。一个在这方面能够带来实际改变的因素是使用更清晰、更具可操作性的错误信息，而这正是你可以通过探索Christopher Tao关于开源 PrettyErrors 库的详细指南来实现的。