Para aprender realmente un nuevo tema, tómate tu tiempo.

Take your time to truly learn a new topic.

En una cultura que valora la velocidad por encima de casi todo lo demás – “muévete rápido y rompe cosas”-, es una buena idea recordar que a veces, frenar es el atajo más efectivo. Esto es especialmente cierto cuando estás en proceso de explorar ideas complejas, algo que los profesionales de la ciencia de datos y el aprendizaje automático necesitan hacer más o menos diariamente.

Acabamos de marcar el día más largo del año aquí en el Hemisferio Norte, así que pensamos que no hay mejor momento para celebrar algunas de nuestras inmersiones profundas más largas y mejor ejecutadas. Ya sea que aborden un concepto teórico espinoso o nos guíen a través de una herramienta o flujo de trabajo de vanguardia, son el tipo de artículos que nos obligan a detenernos, pensar y digerir, y nos recompensan con nuevas y duraderas ideas. ¡Feliz lectura!

• Las preocupaciones éticas y regulatorias en torno a la información personal de salud (PHI) hacen que tratar con imágenes médicas sea extremadamente complicado. Adrienne Kline comparte una descripción detallada de una herramienta de código abierto que proporciona un “protocolo robusto” en torno a la “desidentificación, aislamiento de la información relevante del paciente, identificación de la ROI [región de interés] y compresión de archivos de imágenes médicas”.
• ¿Cómo están estructuradas nuestras expectativas y qué tienen que ver con el razonamiento estadístico? El último trabajo de Sachin Date es una guía fascinante y paciente sobre los fundamentos teóricos del concepto de expectativa: comienza en un cruce agitado del Canal de la Mancha y termina con las matemáticas detrás de la función de onda cuántica.
• Los artículos de Reza Bagheri tienden a ser recursos únicos a los que los lectores marcan y a los que recurren una y otra vez. Sospechamos que la nueva inmersión profunda de Reza, sobre autoencoders y su papel en la reducción de dimensionalidad, no será una excepción, ya que cubre tanto los elementos teóricos esenciales como la implementación de PyTorch de autoencoders lineales y no lineales.

• Para una introducción amigable para principiantes pero igualmente útil sobre cómo trabajar con PyTorch, el tutorial de Leonie Monigatti sobre clasificación de imágenes es una gran opción. Es completo y claro, y aunque los ejemplos utilizados aquí son imágenes de grandes felinos, es fácilmente adaptable a proyectos de clasificación del mundo real más comunes.
• El desafío de ordenar montañas de datos y localizar rápidamente la información correcta es uno familiar en cada organización en crecimiento. La introducción de Janna Lipenkova sobre Text2SQL presenta un marco innovador que combina la accesibilidad de los grandes modelos de lenguaje con el poder de consulta de SQL.
• Para terminar nuestra selección de una manera particularmente reflexiva, les dejamos con el artículo de Andre Ye sobre la estructura fundamental y el funcionamiento interno de los algoritmos. Se centra en una de las preguntas más provocativas (y más importantes) sobre las que las personas que trabajan con datos deberían reflexionar: ¿qué significa “aprender” para una máquina?

¡Gracias por apoyar a nuestros autores! Si disfruta de los artículos que lee en TDS, considere convertirse en miembro de Zepes, ya que desbloquea todo nuestro archivo (y cada otra publicación en Zepes, también).

Hasta la próxima Variable,

• Utilizando Gráficos de Superficie 3D de Plotly para Visualizar Superficies Geológicas.
• ¿Se aprueba la visa H1B en función de los análisis de datos?
• ¿Cómo luce la descripción de trabajo de un analista de datos?

Los editores de TDS

We will continue to update Zepes; if you have any questions or suggestions, please contact us!