Вполне возможно, что в недалеком будущем вы сможете преуспеть в качестве аналитика данных или специалиста по машинному обучению с элементарными навыками программирования (или без них). Однако на данный момент хорошие навыки программирования по-прежнему являются ценным активом для всех, кто работает с данными, будь то в промышленности или в академических кругах, а Python остается де-факто общим языком для специалистов по данным.
На этой неделе мы выделяем несколько выдающихся постов, посвященных прагматическим аспектам Python для задач науки о данных. Давайте приступим к программе (мин)!
- Что делать, если вы столкнулись с кодовой стеной. Без четкой цели вы легко можете попасть в кроличью нору и потерять время, — говорит Сяосюй Гао. В ее подробном руководстве представлен стратегический подход к поиску и устранению узких мест в ваших рабочих процессах Python, вплоть до оптимизации вывода.
- Улучшите свои навыки решения проблем как программиста. Вы пишете код для решения задач, зависящих от контекста, будь то развертывание модели, создание визуализаций или анализ результатов. В последнем посте Кертиса Пайкса приводится простой пример, который на его основе описывает дорожную карту создания эффективного целенаправленного кода.
- Никогда не поздно — и не рано — заложить прочную основу Python. Независимо от того, являетесь ли вы новичком или ветераном программирования, Филип Уилкинсон подробно объяснит словари — фундаментальную структуру данных, встроенную в Python, — это полезный ресурс, который всегда будет у вас в кармане.
- Основы управления версиями. Если ваше знакомство с GitHub было случайным или ограничивалось конкретными вариантами использования, вы оцените терпеливое практическое изложение широко используемой платформы от Ватсала — оно предназначено специально для специалистов по обработке и анализу данных.
Теперь, когда мы закончили чтение Python, давайте обратимся к нескольким другим темам. За последние пару недель мы имели честь опубликовать несколько отличных обширных статей; вот лишь некоторые из них, которые вы действительно не должны пропустить.
- Чтобы получить здоровую дозу вдохновения, отправляйтесь в наши недавние вопросы и ответы с Dr. Варшита Шер, специалист по данным из Центра прикладных исследований Института Алана Тьюринга. Разговор касается карьерного пути доктора Шера, его научных интересов и писательской стратегии.
- Вы находитесь на рынке для глубокого погружения в НЛП? Выделите 15 минут, чтобы прочитать последнюю статью Набаниты Рой, в которой она исследует роль и влияние встраивания слов в моделях классификации текста.
- Всегда поучительно видеть, как специалисты из других дисциплин подходят к темам, смежным с наукой о данных. Тим Лу, доктор философии, физик-теоретик, ставший специалистом по данным, устанавливает связи между двумя областями, чтобы исследовать термодинамику машинного обучения.
- Чат-боты могут быть распространенным реальным применением больших языковых моделей, но, как указывает Тис де Кок, модели GPT на основе подсказок могут быть полезны для множества других, более поздних задач НЛП.
- Вероника Гаварска-Тывонек продолжила серию статей о продуманном использовании цвета в визуализации данных — последний выпуск охватывает мельчайшие детали последовательных палитр.
Если вы ищете способ поддержать своих любимых авторов TDS, подумайте о том, чтобы стать участником Medium. Тем не менее, мы ценим все способы, которыми вы поддерживаете нашу работу, будь то чтение, обмен или взаимодействие со статьями, которые мы публикуем.
До следующей переменной,
Редакторы TDS