数据角色、小型语言模型、知识图谱等：我们一月份必读内容
原文：
towardsdatascience.com/data-roles-small-language-models-knowledge-graphs-and-more-our-january-must-reads-2a5047bb66e0/《变量》即将推出——在此处注册 以确保您收到所有未来的通讯。
我们多产的作者在上个月提供了一些优秀的工作，将我们对 TDS 一月份所期待的重新焕发的能量和兴奋传递给了我们。从职业建议到核心编程和数据处理任务，我们上个月最受欢迎和分享的文章涵盖了数据专业人士在规划下一步行动和努力扩展技能集时最关心的主题。
我们邀请您以开放的心态探索本月的必读内容：从不断变化的职位描述到小型语言模型（以及大型模型）的兴起，它们从新颖、可操作和实用的角度处理了数据科学和机器学习中的热门领域。让我们开始吧。
-
如何在数据科学、数据分析、数据工程、ML 工程和 SW 工程之间做出选择"当职位名称听起来如此相似，并且角色有相当多的重叠时"，对于数据从业者来说，选择适合自己的兴趣和优先级可能很困难。Marina Wyss – Gratitude Driven 的清晰和详细概述将帮助您做出明智的决定。
-
您的公司需要小型语言模型是否是时候重新评估“在 AI 中，更大总是更好的”这一公理了？Sergei Savvov 提出了一个有说服力的论点，说明小型语言模型在行业环境中的日益增长的影响力，概述了“它们可以降低成本、提高准确性和保持对您数据的控制”的方式，并敦促我们保持对这些模型当前局限性的警觉。
-
大型语言模型课程对于任何新年愿望包括扩展对（以及实际经验）LLMs 知识的人来说，Maxime Labonne 的全面课程是您开始所需的单一资源——它提供了一个结构良好的课程，假设没有高级知识，并充满了推荐的文章、教程和工具。
照片由 Rima Kruciene 在 Unsplash 提供
-
今天开始做的 5 个简单项目：数据工程学习路线图 对于所有有志成为数据工程师的人来说，莎拉·李 概述了一个为期四个月的现实计划，涵盖了所有基本要素。最重要的是，它引导你通过几个项目想法，这样你不仅可以增长理论知识，还可以练习你正在学习的概念和工作流程。
-
如何在几分钟内构建知识图谱（并使其企业级就绪） 正在寻找将类似的手动方法应用于知识图谱？在过去的重大挫折之后，图瓦拉凯什·穆拉利 展示了如何利用 LLMs 的力量自己构建一个知识图谱。
-
2025 年数据科学家需要掌握的 12 项技能 “许多事情在变化，但有些事情并没有变化。理解哪些变化需要你的关注是成功的关键。” 本杰明·博德纳 分析了在 AI 工具的颠覆性压力下，对数据专业人士仍然至关重要的技能。
-
深入探讨多线程、多进程和 Asyncio 无论你是 Python 的初学者还是经验丰富的程序员，总有更多东西可以学习；克拉拉·钟 的最新文章聚焦于并发模型——处理多个任务的方法，并分析了根据项目需求选择正确模型的风险。
-
如何使用 Python 脚本运行 Jupyter 笔记本并生成 HTML 报告 对于另一个以 Python 为重点的教程，该教程强调使用代码简化繁琐工作流程的能力，不要错过 Amanda Iglesias Moreno 的指南，该指南介绍了自动化 Jupyter Notebook 执行和报告生成的过程（包括合成数据创建的有益偏离）。
-
从 Power BI 切换到 Looker 的经验（作为一名资深数据分析师） 在没有尝试不同选项或听取与你处于相似情况的专业人士的第一手经验之前，评估采用新工具的权衡和收益往往很困难。托马斯·扬科维茨（AI 托马斯） 带我们了解了他在数据分析工作流程中转向 Looker 的历程，并提供了关于其优缺点平衡、具体的描述。
-
你需要了解的三个重要 Pandas 函数 新模型和生成式 AI 应用层出不穷，但 Pandas 仍然与我们同在，在数据科学家日常工作中扮演着重要角色。尹佳燕最近分享了一篇对初学者有帮助的指南，聚焦于三个你处理和分析数据集时可能会反复使用的核心函数。
我们最新一批的新作者
每个月，我们都非常高兴看到一群新的作者加入 TDS，他们各自分享自己的独特声音、知识和经验给我们的社区。如果你正在寻找新的作家来探索和关注，只需浏览过去几个月我们最新加入的作者的作品，包括拉姆莎·阿里、德里克·鲁伊斯、马塞尔·穆勒博士、罗德里戈·M·卡里略·拉尔科，MD，PhD、伊洛娜·赫特谢维奇、费德里科·扎贝奥、弗拉基斯拉夫·弗利亚欣、热罗姆·迪亚兹、曼迪普·库拉尔、格兰·孔、弗拉基米尔·库库什金、维克托·马利、鲁本·布鲁克斯、伊克巴尔·哈姆迪、里希·加迪尔、皮奥特·格鲁什切茨基、乔纳森·福斯特、西琳·布霍里、金宇锡·金、申勋·安、阿夫贾尔·乔杜里、蒂姆·维布拉尔、库纳尔·桑托什·萨万特、阿曼·阿格拉瓦尔、阿卜德尔卡德尔·哈西尼、弗洛里安·特劳特维勒、穆罕默德·阿布萨代赫、洛里克·梅克尔、卢卡斯·加特雷克、宗博尔·瓦拉尼亚-托斯、马克·马特森、曼内勒·努阿尔、保拉·LC、希坦什·布什安、马修·塞尼克、刘易斯·詹姆斯 | 数据科学、克拉拉·钟、比拉尔·艾哈迈德、帕维尔·克拉图索夫、埃尔奥尔·奇塔克、克里斯托瓦奥·科雷伊罗、弗拉基米尔·日沃夫、尤瓦尔·戈尔乔弗、扎克·弗林、阿隆·科雷姆 | Bell Statistics CEO、托尼·阿尔巴内塞、桑德拉·E·G、米格尔·卡多纳·波洛、詹姆斯·桑恩、维奈特·乌帕达亚、考希克·拉詹、马哈茂德·阿卜德尔阿齐兹，博士、本杰明·阿塞尔、李雪莉、玛丽娜·维斯 - 感恩驱动、迈克尔·戴维森、雷米·加尼耶、乌拉兹米尔·扬查鲁克、大卫·林德尔洛夫、里卡多·里巴斯、韩俊才·李、艾什利·佩克、罗希特·拉马普拉萨德、亚历杭德罗·阿尔瓦雷斯·佩雷斯、大卫·马丁、本·滕格森、塞萨尔·奥尔特加·昆特罗、韩民汉、马克西姆·苏尔基兹、马西莫·卡波比安科、托比亚斯·卡班斯基、金民汉、费利克斯·施密特、保罗·莫利尼尼，博士、萨亚利·库尔卡尼、艾伦·内赫霍姆和克里斯·莱蒂里等人。
感谢您对我们作者工作的支持！我们热爱出版新作者的文章，所以如果您最近撰写了一篇有趣的项目教程、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