当涉及复杂话题时，第一步是最困难的
在涉及复杂话题时，迈出的第一步是最艰难的
作为一个“初学者”，并不是你一次通过就永远离开了。只要你致力于持续学习和成长，你将发现自己在职业生涯中的几年（甚至几十年！）里不断面对新的概念和想法。
这是一件好事——只要你有坚实的指导和正确的资源来帮助你从事数据和机器学习专业人员每天处理的复杂技术主题。我们就是为此而存在的：TDS的作者在将前沿的研究和工具进行解读并为他人提供便利时处于最佳状态，无论读者是刚走出第一次训练营的新手还是科技巨头的高级从业者。
本周，我们挑选了几篇最近的文章，以此来实现这一目标：它们涵盖了从线性代数到图像分类等广泛的主题，从一个富有同情心的教师的视角来看待，他们不会对学生的先前知识做过多的假设。它们提供了具体的可行信息，并保持了易于理解和吸收的方式，而不会简化内容。愉快的学习！
- 生成式人工智能是什么？全面指南适合每个人在ChatGPT发布近一年后，生成式AI显然已经变得非常流行，对于其内部工作原理、潜在的益处和当前的限制，人们也存在困惑和误解。Mary Newhauser的入门指南是一个对这个时机敏感的话题的坚实资源。
- 多维度探索是可能的！当使用得当时，类比是将复杂概念转化为易于理解的思想的强大工具。Diego Manfre最近的解释就是一个很好的例子：他通过将主成分分析（PCA）的数学与在维度之间移动进行比较来解析它（出色的插图也有帮助）。
- 初学者的图像分类学习基本的机器学习工作流有很多方式；Mina Ghashami在她介绍图像分类的文章中选择回到2014-2015年，当时引入了两个开创性的架构——ResNet和VGG网络。如果你通过深入了解手头话题的背景来更好地吸收知识，这篇文章适合你。
- 线性代数3：向量方程在过去的几周中，tenzin migmar (t9nz)一直在分享关于线性代数基础的初学者友好教程。最新的一篇介绍了向量方程，对于以前认为这个话题令人生畏的人来说，这是一个很好的资源，或者对于经验丰富的数据专业人士来说，可以从中获益。
- 用Scikit-Learn支持向量机：友好介绍如果你还在构建你的核心机器学习技能，向你的工具包中添加一个强大的算法是一个很好的主意。Riccardo Andreoni对支持向量机的指南在理论背景和实际应用方面做了很好的平衡。
- Transformers — 直观而全面地解释多年来，我们已经发布了许多关于变形器架构的精彩文章，但总有空间可以采用另一种方法。Daniel Warfield的详细概述通过拆解模型来揭示其构建模块，并花时间介绍每个模块单独以及相互关系如何工作。
我们希望您有额外的时间阅读我们最近的一些亮点文章，它们内容广泛且非常出色：
- 流体扩散转换器的拓扑概括化 (Liútǐ kuòsàn zhuǎnhuànqì de tuòpū gàigé huà)
- 通过新的生成型AI模型，Adobe引领未来设计
- 成功应对初级数据科学求职面试的更多技巧
- Yennie Jun 调查了 GPT-4 的数学技能，并聚焦于 在英语和传统资源匮乏的语言中表现差异。
- 人工智能工具正在以令人眩晕的速度出现，对于 Sam Stone 来说，这意味着我们需要更多关注它们的用户界面/用户体验设计。
- 谷歌笔记本服务 Colab 有什么新动态？Parul Pandey 的概述可以帮助数据科学家了解其最新产品改进。
- 处理“巨型模型”带来了一系列的挑战和痛点；Amber Teng 的深入探究展示了如何在不同配置中加载流行的 Llama 2 模型。
- 在之前关于创新提示工程技术的研究之后，Giuseppe Scalamogna 提供了一个为不同类型的程序模拟提示制定路线图。
感谢您支持我们作者的工作！如果您喜欢在 TDS 上阅读的文章，请考虑成为 VoAGI 会员 – 它可解锁我们的完整归档（同时还可访问 VoAGI 上的其他所有帖子）。
