数据科学是发展最快的行业之一。每天都有新的研究论文、软件包、教程和技术推出，有时确实难以全部追踪。对于任何数据从业者而言，紧跟数据科学的最新进展对于持续学习与成长至关重要。本文为您精选整理了上个月可能错过的最新新闻、教程、研究与洞见。
全新发布的教程
用 scikit-learn 创建自定义转换器的两种方法
这篇 Towards Data Science 博文提供了一个相当简明的教程，介绍如何使用 scikit-learn 创建自定义转换器。Scikit-learn 是数据科学中使用最广泛的包之一，也是当下最受欢迎的机器学习包。它提供了丰富的预处理功能，如独热编码、MinMax 缩放等。不过，有时我们需要使用自定义的预处理函数，而不是像独热编码器这类现成组件。本教程将教您如何在 scikit-learn 中创建自定义转换器，以简化机器学习的数据预处理流程。
在 BigQuery ML 中结合 Vertex AI 实现 MLOps
过去一年，大型科技公司在MLOps领域取得了长足进展。将机器学习模型部署到生产环境，仍是当今数据团队面临的最大挑战之一。这个视频提供了一个快速教程，介绍如何将 Google Cloud 的 Vertex AI 与 BigQuery ML 服务结合使用，构建可直接用于生产的 Vertex AI 流水线。
DataCamp 全新 Power BI 教程
随着与微软合作推出全新的Power BI 数据分析师职业路径，DataCamp 在过去一个月发布了多篇 Power BI 教程。Power BI 是最常用的商业智能工具之一，如果您的公司使用 Microsoft Office，很可能已经可以访问它。对于希望走出 Excel、深入数据世界的学习者而言，它也是很好的起点。这些教程几乎涵盖了使用 Power BI 的各个环节，从从 Excel 迁移到 Power BI，到更深入的Power BI 入门教程、Power BI 中的数据建模，以及Power BI 的 DAX 公式入门。在学习过程中，您还可以下载这份实用速查表。
开创性的机器学习研究
OpenAI 的 DALLE-2
在过去一个月里，OpenAI 以其DALLE-2 图像生成算法惊艳全球。OpenAI 训练了这一新模型，使其能从自然语言文本输入生成照片级真实的图像与艺术作品。作为 DALLE-1 的继任者，DALLE-2 通过一种称为“扩散”的过程实现了高度写实：先生成随机噪点，再逐步将其改变为与输入文本相符的图像。您可以在此阅读相关内容，并观看 DataCamp 数据记者 Isabella Leslie Miller 在我们的每周新闻盘点视频中的解读。
Pathways 语言模型（PaLM）
PaLM展示了首次大规模使用Pathways系统。Pathways 系统架构由 Google 于去年提出，旨在高效训练新一代能在不同领域执行多种任务的模型。借助 PaLM，Google 构建了一个拥有 5400 亿参数的庞大Transformer模型，并在多种语言与推理任务上达到了当前最优水平。这些任务包括代码生成、笑话解释、因果识别等。查看这篇文章，深入了解 Pathways 以及 PaLM 能解锁的应用场景。
新软件包与模型
PyTorch 1.11 发布
随着PyTorch 1.11 版本发布，带来了诸多改进。最新版本提供了 TorchData（DataLoader API 的继任者）与 functorch 的测试版，后者为 PyTorch 模块提供可组合的函数变换。除这些新功能外，PyTorch 1.11 还包含多项性能提升，例如移动与边缘部署启动时间提升 40% 等。想进一步了解 PyTorch，可查看 DataCamp 的初学者课程。
EpyNN 1.2.7
EpyNN意为“用于神经网络的教育型 Python”。它面向教师、学生、科学家以及具备相对基础 Python 技能、希望从零理解并构建神经网络的任何人。它提供了多种架构模板与实用示例，可显著缩短从零学习开发神经网络所需的时间。
BigScience 大型语言模型训练（tr11-176B-ml-logs）
BigScience是 Hugging Face 上的知名项目，致力于与全球数千名研究者一道，开源打造大规模语言模型。BigScience 主模型的训练于 2022 年 3 月 11 日启动，将在 Jean Zay 公共超级计算机的 384 块 A100 80GB GPU 上训练三到四个月。该开源模型将包含 1760 亿参数，采用类似 GPT 的仅解码器架构。您可以在Twitter上关注训练进展——预计在 6 月左右即可使用该模型。
数据科学与机器学习应用案例
西甲携手 Databricks 开展足球数据分析
西甲的数据分析团队与 Databricks 合作，在联赛的分析基础设施中部署数据湖仓。这将使西甲科技（联赛新成立的统一分析部门）能够更高效地组织和管理数据，并在伤病预测、为球迷推荐内容等有趣场景中运用机器学习。
用深度学习标注蛋白质宇宙
长期以来，科学家一直借助计算工具直接从序列推断并标注蛋白质功能。Google 的 AI 团队成功地使用深度学习可靠地预测蛋白质功能；他们将该模型称为 ProtENN，并借此为Pfam数据库新增约 680 万条目。Google 的 AI 团队已发布ProtENN 模型以及一篇类似distill风格的交互式文章供实验探索。解决此类问题将有助于借助机器学习更快、更可靠地发现新药与疗法。
见解与观点
赋能现代数据分析师
在最新一期DataFramed 播客中，Mozart Data 的 CEO Peter Fishman 解读了现代数据技术栈的现状，以及数据科学中的新工具如何赋能现代数据分析师。此外，他还分享了带领数据团队的经验、优秀数据分析师应具备的素质、领域知识与倾听用户的重要性等。欢迎在您常用的播客平台收听并订阅 DataFramed。
MLOps 很混乱，但这在意料之中
在这篇文章中，Confetti AI 创始人 Mihail Eric 分享了他对当前 MLOps 工具生态的见解。正如标题所言，Mihail 深入剖析了当下机器学习工具版图的割裂状态。由于机器学习运维仍处于早期阶段，相关标准、工具与最佳实践仍在形成之中，业内尚无清晰、权威的技术栈可依赖。此外，缓解人才短缺、在组织文化中引入机器学习思维，也将影响未来几年 MLOps 的采用与发展。
延伸阅读
希望您喜欢本期对重磅资讯、见解、教程与研究的盘点。想进一步了解数据科学的最新动态，请查看以下资源：