要真正学习一门新主题，需要花时间
在一个将速度视为最重要的文化中，“快速行动，破坏一切”是一个好主意，提醒自己有时候减速是最有效的捷径。当你正在探索复杂的想法时，这一点尤其正确，这是数据科学和机器学习专业人员每天需要做的事情。
我们刚刚在北半球迎来了一年中最长的一天，所以我们认为现在没有更好的时间来庆祝一些我们最长、最好的深度挖掘。无论是解决棘手的理论概念，还是为我们演示前沿工具或工作流程，它们都是那种需要我们暂停、思考和消化的文章，并且奖励我们新的和持久的见解。祝阅读愉快！
- 个人健康信息（PHI）的伦理和监管问题使得处理医学图像极其复杂。Adrienne Kline分享了一个详细的概述，介绍了一个“强大的协议”周围的“去识别、隔离相关患者信息、ROI [感兴趣区域] 识别和医学图像的文件压缩”等方面的一个开源工具。
- Sachin Date的最新作品是对期望概念理论基础的迷人和耐心的指南：它从英吉利海峡的波涛汹涌开始，结束于量子波函数的数学背后，探讨了我们的期望是如何构造的，以及它们与统计推理有什么关系。
- Reza Bagheri的文章往往是读者标记并一再翻阅的一站式资源。我们怀疑Reza的新深度挖掘，关于自编码器及其在降维中的作用，将不例外，因为它涵盖了线性和非线性自编码器的基本理论要素和PyTorch实现。
- 对于初学者友好但同样有用的PyTorch入门教程，Leonie Monigatti的图像分类教程是一个很好的选择。它全面而清晰，虽然这里使用的例子是大猫的图像，但很容易适应更常见的现实世界分类项目。
- 在每个不断发展的组织中，快速排序大量数据并快速定位正确信息的挑战是一个熟悉的问题。Janna Lipenkova的Text2SQL入门介绍了一个创新的框架，将大型语言模型的易用性与SQL的查询能力结合起来。
- 最后，我们让你看一下Andre Ye关于算法基本结构和内部工作的文章。它聚焦于人们在处理数据时最发人深省（也最重要）的问题之一：机器学习的“学习”意味着什么？
感谢您支持我们的作者！如果您喜欢在TDS上阅读的文章，请考虑成为小猪AI会员 – 它可以解锁我们的整个档案（以及小猪AI上的每篇文章）。
下一个Variable见！
TDS编辑
