企业官网建设流程全解析

原文：towardsdatascience.com/how-to-approach-complex-data-science-topics-as-a-beginner-33f60b657ba2?source=collection_archive---------6-----------------------#2024-07-25

https://towardsdatascience.medium.com/?source=post_page---byline--33f60b657ba2--------------------------------https://towardsdatascience.com/?source=post_page---byline--33f60b657ba2-------------------------------- TDS 编辑

·发表于 Towards Data Science ·通过 电子报 发送 ·3 分钟阅读·2024 年 7 月 25 日

–

感到有动力写下你的第一篇 TDS 文章吗？我们始终欢迎新作者的投稿。

当我们遇到一个新问题、话题或挑战时，迈出第一步往往是最难的部分。正是这个时刻，自我怀疑开始涌现，已有的知识感觉模糊且不充分，拖延似乎成了唯一可接受的选择。

本周我们的亮点文章可能无法神奇地解决你作为数据科学家或机器学习工程师所面临的每一个挑战，但它们都提供了一个务实的、以行动为导向的路线图，帮助你克服学习过程中的初期障碍。

从扩展你的基础统计学知识到成为一名更好的写作者，这些文章涵盖了成功的数据专业人员所擅长的各个领域和技能。祝你阅读愉快！

• 什么是因果推断？从随机对照试验、差异中的差异到合成控制和 A/B 测试，Khin Yadanar Lin 提供了一份易于理解、详细（但不令人不知所措）的因果推断及其在日常工作流中的实际应用的入门介绍。

• 理解条件概率与贝叶斯定理

  有时候，追溯一个概念的起源可以帮助我们全面理解其重要性及应用场景。Sachin Date正是通过他对条件概率和贝叶斯定理起源的深入回顾，阐述了它们在回归分析中的应用。

• 手工深入解析 LSTMs 与 xLSTMs通过结合强有力的叙述结构和精心制作的插图，Srijanie Dey 博士的《By Hand》系列一直取得了成功；她的最新一篇作品也不例外，深入探讨了长短期记忆网络（LSTMs）及其最近的变种 xLSTMs（扩展长短期记忆网络）的基础数学原理。

https://github.com/OpenDocCN/towardsdatascience-blog-zh-2024/raw/master/docs/img/546504fb0ed1c873429ed8f7fb3a57eb.png

图片来自S. Tsuchiya在Unsplash上的作品

• 线性规划优化：基础

  在他关于线性规划系列的首篇文章中，“一种用于改进决策的强大优化技术”，Jarom Hulet重点为学习者建立了一个坚实的基础，涵盖了在进入更复杂的实践方法之前，你需要了解的关键概念。

• 如何开始技术写作与博客

  我们都知道如何写作，但迈向更有意识、更有规律的写作实践可能会让人望而却步。Egor Howell多年来一直是数据科学（及其他技术话题）的成功博主，现在他分享了切实可行的见解，帮助他人成长并在这个潜在的职业发展的领域中取得成功。

想让你的学习向其他方向拓展吗？不要错过我们本周推荐的其他阅读，它们涵盖了人工智能、数据可视化等前沿话题。

• 富有吸引力且发人深省，Joshua Banks Mailman 博士的关于反事实的深度分析邀请我们思考，它们如何"帮助我们以不同的方式思考生成性 AI 的陷阱与潜力"。

• 如果你想了解图结构数据的新研究进展，我们强烈推荐Qitian Wu对这一激动人心的机器学习子领域三篇近期论文的全面概述。

• 最近对 ChatGPT 的更新如何影响其在数据分析任务中的表现？Yu Dong反思了聊天机器人作为未来商业智能工具的潜力。

• 基于他在开发创新数据可视化格式方面的成功经验，Nick Gerend推出了他最新的创作：路径群集和超群集图表，利用圆形排列来表示单个观测值。

• 对于任何想要直接进入代码的人，Shreya Rao在这里提供了一个快速简洁的神经网络实现指南，帮助大家在 TensorFlow 和 PyTorch 中实现神经网络。

• 为什么数据质量项目很少实现其潜力？Barr Moses解析了有效构建这些项目的挑战，并分享了如何避免过去错误的可操作见解。

• 我们本周的精选以另一个有趣且实用的实践教程结束：Carmen Adriana Martínez Barbosa 博士和 José Arturo Celis-Gil 的云检测与分割项目教程，该项目利用卫星图像和几种强大的算法。

感谢你支持我们作者的工作！我们喜欢发表新作者的文章，如果你最近写了一篇有趣的项目教程、操作指南或关于我们核心话题的理论反思，欢迎与我们分享。

直到下一个 Variable，

TDS 团队