企业官网建设流程全解析

原文：towardsdatascience.com/llm-agents-text-vectorization-advanced-sql-and-other-must-reads-by-our-newest-authors-3263a1bdd7eb?source=collection_archive---------6-----------------------#2024-08-22

https://towardsdatascience.medium.com/?source=post_page---byline--3263a1bdd7eb--------------------------------https://towardsdatascience.com/?source=post_page---byline--3263a1bdd7eb-------------------------------- TDS 编辑

·发布于Towards Data Science ·作为 Newsletter 发送 ·阅读时间：4 分钟·2024 年 8 月 22 日

–

如果你是《Variable》的常规读者，你可能已经注意到我们每周都会强调——TDS 始终欢迎新作者投稿。我们是认真的！你们中的一些人可能看到过这个信息，心想“太好了，我想写一篇文章！”但又开始思考，什么样的文章适合投稿，读者们对哪些话题感兴趣，以及哪些经历和技能是受欢迎的。

本周的《Variable》版块精选了我们最近的一些最佳文章，所以如果你不打算成为 TDS 的作者，那也完全没问题！我们希望你像往常一样享受阅读。我们这次只关注了我们最新一批作者的文章，旨在激励你们也尝试投稿。

正如你将看到的，TDS 的投稿者具有广泛的经验背景（从初学者到博士、行业老兵不等）、兴趣以及写作风格。将他们联系在一起的是他们卓越的叙事能力和将知识分享给更广泛社区的愿望。我们希望（并且相当确定）你会喜欢我们每周的内容。

• 大型语言模型“理解”什么？**“**当我们将类人能力归因于 LLM 时，我们往往会陷入拟人化偏见，把它们的能力与我们自身的能力进行类比。但我们是否也在表现出一种人类中心主义偏见，忽视了 LLM 始终展现出来的能力？”在我们最近读过的一篇最具启发性的文章中，Tarik Dzekman从哲学和心理学的视角探讨了 LLM 理解语言的能力问题。

• 将 LLM 代理与 LangChain 整合到 VICA 中“我们的目标是告别聊天机器人中那种机械化和笨拙的表单式体验，迎接与人类助手进行个性化对话的新方式。”黄伟诚和Nicole Ren分享了他们在新加坡 GovTech 虚拟智能聊天助手（VICA）平台上广泛工作中的实际见解和经验教训。

• 文本向量化揭秘：将语言转化为数据**“**对于我们这些了解机器学习流程的人来说，我们明白特征工程是从模型中生成良好结果的关键步骤。这个概念在自然语言处理（NLP）中同样适用。”Lakshmi Narayanan提供了关于文本向量化方法的全面概述，并权衡了它们各自的优缺点。

https://github.com/OpenDocCN/towardsdatascience-blog-zh-2024/raw/master/docs/img/7a364a3ac0b7e2bfb845746a66e7552c.png

图片来源：Totte Annerbrink 来自Unsplash

• 利用 Gemini-1.5-Pro-Latest 实现更智能的饮食**“**值得注意的是，随着人工智能领域的进步，数据科学家有责任逐步从传统的深度学习转向生成式人工智能技术，以革新他们的角色。”Mary Ara展示了一个端到端的项目演示，说明如何通过创建一个利用最先进的多模态模型的卡路里追踪应用来实现这一目标。

• 在技术行业成功的最有用的高级 SQL 技巧“尽管掌握基本和中级 SQL 相对容易，但要真正精通这项工具，并在各种场景中熟练运用，有时却具有挑战性。”Jiayan Yin旨在通过全面概述您应该添加到查询工具包中的更高级 SQL 技巧，帮助数据分析师和其他从业者弥补这一技能差距。

• 使用 Hugging Face Transformers 微调音频频谱变换器“这个过程将模型的能力调整到我们数据集的独特特征，比如类别和数据分布，从而确保结果的相关性。”在机器学习与音频数据的交集上，Marius Steger详细阐述了如何在任何音频分类数据集上微调音频频谱变换器（AST）的工作流程。

• 使用 MLflow 进行算法无关的模型构建“考虑这样一个场景：我们有一个当前在生产环境中部署的 sklearn 模型，用于特定的用例。后来，我们发现深度学习模型的表现更好。如果 sklearn 模型是以其原生格式部署的，转向深度学习模型可能会变得非常麻烦，因为这两个模型的工件差异很大。”Mena Wang, PhD解释了为什么有时使用算法无关的模型会非常有意义，并展示了如何在 MLflow 中开始使用它。

• 深度学习中非线性的新视角**“**但我们为什么需要激活函数，特别是非线性激活函数？传统上有一种解释方式，同时也有一种新的视角。”Harys Dalvi剖析了在深度学习分类器输出中使用线性层的风险，以及通过多角度理解线性与非线性所能带来的价值。

感谢您支持我们作者的工作！正如我们前面提到的，我们喜欢发布新作者的文章，因此，如果您最近写了一篇有趣的项目教程、指南或关于我们核心主题的理论思考，请不要犹豫，与我们分享。

直到下一个变量，

TDS 团队