在新的一年里迈出学习的新步伐

在新的一年里迈出学习的新步伐

原文：towardsdatascience.com/start-a-new-year-of-learning-on-the-right-foot-1469b3d45348/

感受到写第一篇 TDS 文章的灵感了吗？我们始终欢迎新作者投稿。

新年快乐！欢迎回到 Variable！

我们 2024 年的亮点回顾（当然，浏览它永远不会太晚）的墨迹还没干，我们就已经准备好一头扎进一个全新的学习、成长和探索的一年。

我们有一个珍视的传统，那就是将每年的第一版献给早期数据科学和机器学习专业人士最鼓舞人心且易于获取的资源（我们 真的 做到了！）。今年，我们继续这一传统，精选了一系列针对初学者和求职者的顶级文章。对于其他读者，我们很高兴以三位行业资深人士的三篇优秀文章开始，他们反思了数据科学和人工智能的现状，并分享了对未来一年可能的样子有见地的、大胆的预测。让我们开始吧！

2025：准备，出发！

• 2025 年数据与人工智能十大趋势 作为 Monte Carlo 的联合创始人和首席执行官，Barr Moses 在观察行业变化和新兴趋势方面几乎无人能出其右，因此她的年度预测绝对应该列入你的阅读清单。

• 2024 年回顾：我预测正确的地方，错误的地方，以及 2025 年的更大胆预测 在 RAG、AI 代理和知识图谱主导的一年之后，我们应该关注哪些工具和工作流程？Leonie Monigatti 分享了对 2024 年的全面回顾，并提前一瞥她为即将到来的一年精心调校的水晶球。

• 2025 年数据科学和人工智能的十项预测 来自 Jason Tamara Widjaja，这里有一组深刻的反思：“我对 2025 年的预测试图提供一个关于人工智能紧张关系的视角，作为一个工作不在于销售人工智能，而在于良好实施人工智能并承受我们决策后果的人，我持有不受欢迎但平衡的观点。”

Photo by Annie Spratt on Unsplash

数据科学和机器学习，一步一步

• R 和 Python 数据可视化库的必备指南 无论是否有 AI，图表和图形在不久的将来都不会消失。Sarah Lea 概述了当前和未来的数据科学家应该熟练掌握的关键库。

• 成为数据科学家之路，第二部分：软件工程 编程在 2025 年也不会消失。Vyacheslav Efimov 的指南概述了将你引向数据科学成功的编码基础知识。

• 时间序列中的缺失数据：机器学习技术 真实数据的恒定特征：它很混乱！通过跟随 Sara Nóbrega 关于处理缺失数据的入门指南来学习如何驾驭混乱。

• 因果性——数据科学的心理卫生 从数据科学工作的更琐碎的方面退后几步，Eyal Kazin 最近的深入探讨构成了对检测、解释和应用因果性的复杂艺术的“温和介绍”。

• 掌握机器学习：4 种分类模型简化 对于那些最享受结构和清晰度的人来说，Leo Anello（极其）详尽的 15 步教程关于分类模型将是一个完美的起点，从这里你可以扩展你的机器学习知识。

• 2024 年机器学习工程师面试生存指南 无论你已经在申请你的第一份 MLE 工作，还是将其视为你今年的目标之一，不要错过 Mengliu Zhao 的“生存指南”，它专门针对初级从业者。

• 数据科学家面试中我寻找的机器学习基础知识 从桌子的另一端解决偶尔不透明的招聘流程，Farzad Nobar 创建了一个有用的资源，帮助求职者聚焦于雇主真正关心的主题。

• 100 年（可解释）AI 除了日常工作的“是什么”和“如何做”，还有“为什么”：为什么这个模型会产生这些输出？索菲亚·利皮尼茨卡娅的解释者揭示了 AI 可解释性的历史，背景是最近 LLMs 的兴起。

• 如何构建通用 LLM 代理 以更实用的方式结束——并满足所有那些听到 AI 代理热议的各位的好奇心——我们强烈推荐玛雅·穆拉德的逐步指南，该指南可以形成“设计您自己的定制代理架构的基础”。

---

感谢您支持我们作者的工作！正如我们上面提到的，我们喜欢发表新作者的文章；如果您在 2025 年向 TDS 投稿是您新年的决心之一——或者即使您最近刚刚撰写了一个有趣的项目演练、教程或对我们核心主题的理论反思——请不要犹豫，与我们分享。

直到下一个变量，

TDS 团队