Entrenamiento de habilidades blandas en Ciencia de Datos con simulaciones de la vida real Un enfoque de chatbots de doble rol
Entrenamiento de habilidades blandas en Ciencia de Datos con chatbots de doble rol
Un recorrido completo del proyecto de LLM con implementación de código
Cuando estaba aprendiendo ciencia de datos y aprendizaje automático en la universidad, el plan de estudios se centraba mucho en algoritmos y técnicas de aprendizaje automático. Aún recuerdo aquellos días resolviendo matemáticas, no exactamente divertido, pero aún así un proceso gratificante que me había dado una base sólida.
Una vez que me gradué y comencé a trabajar como científico de datos, pronto me di cuenta del desafío: en la vida real, los problemas rara vez se presentan de manera formulada y abordables fácilmente mediante técnicas de aprendizaje automático. Es trabajo del científico de datos primero definir, delimitar y convertir el problema de la vida real en un problema de aprendizaje automático, antes de hablar siquiera de los algoritmos. Este es un paso crucial, ya que se pueden adoptar enfoques completamente diferentes según cómo se formule el problema, cuál sea el resultado deseado, qué datos estén disponibles, el plazo, el presupuesto, la infraestructura informática y muchos otros factores. En pocas palabras, ya no es un simple problema matemático.
Esta brecha en mi formación en ciencia de datos me hizo sentir desorientado y presionado al principio. Afortunadamente, tuve a mi mentor y a mis compañeros de proyecto, quienes me ayudaron mucho a aprender lo esencial y a aprender a hacer las preguntas correctas. Paso a paso, me volví más seguro en la gestión de proyectos de ciencia de datos.
Reflexionando sobre mi propia experiencia, realmente desearía haber tenido la oportunidad de aprender esas habilidades blandas en ciencia de datos para prepararme mejor para mi vida profesional. Ahora he pasado por las dificultades, pero ¿hay algo que pueda hacer por los científicos de datos recién graduados?
- Explorando los conceptos básicos del Clustering de EMQX MQTT Broker Una introducción
- Aplicaciones de chat LLM con Declarai, FastAPI y Streamlit – Parte 2 🚀
- ¿Quieres convertirte en un científico de datos? Parte 1 10 habilidades difíciles que necesitas
Un libro famoso para prepararse para las entrevistas en consultoría de gestión es “Casos en punto”. Este libro ofrece numerosos casos de estudio de práctica que cubren una amplia gama de temas e industrias. Observando y comprendiendo cómo se resuelven esos casos de estudio, los candidatos pueden aprender mucho en los procesos prácticos de resolución de problemas y estar preparados para desafíos de la vida real.
Inspirado en este formato de estudio de caso, se me ocurrió un pensamiento: ¿Podemos aprovechar los recientes modelos de lenguaje grandes (LLM) para generar contenido relevante, diverso…?
We will continue to update Zepes; if you have any questions or suggestions, please contact us!
Was this article helpful?
93 out of 132 found this helpful
Related articles
- Esta investigación de IA presenta la integración de Lucene para una búsqueda vectorial potente con OpenAI Embeddings.
- Introducción a Numpy y Pandas
- Conoce Modular Diffusion una biblioteca de Python para diseñar y entrenar modelos de difusión con PyTorch
- Haz de ChatGPT un Mejor Desarrollador de Software SoTaNa es un Asistente de IA de Código Abierto para el Desarrollo de Software
- Investigadores de NTU Singapur proponen PointHPS Un marco de IA para la estimación precisa de la postura humana y la forma a partir de nubes de puntos 3D.
- Investigadores del Laboratorio de Procesamiento del Lenguaje Natural (NLP) de XLang proponen Lemur los modelos de lenguaje grandes y pre-entrenados de última generación que equilibran las capacidades de texto y código abiertos.
- Aceptando la Diversidad Neuronal Un Salto en la Eficiencia y Rendimiento de la IA