惯性聚合 高效追踪和阅读你感兴趣的博客、新闻、科技资讯
阅读原文 在惯性聚合中打开

推荐订阅源

P
Proofpoint News Feed
博客园_首页
WordPress大学
WordPress大学
大猫的无限游戏
大猫的无限游戏
有赞技术团队
有赞技术团队
阮一峰的网络日志
阮一峰的网络日志
Hugging Face - Blog
Hugging Face - Blog
博客园 - 【当耐特】
酷 壳 – CoolShell
酷 壳 – CoolShell
Y
Y Combinator Blog
Vercel News
Vercel News
The GitHub Blog
The GitHub Blog
T
The Blog of Author Tim Ferriss
云风的 BLOG
云风的 BLOG
博客园 - 司徒正美
Engineering at Meta
Engineering at Meta
钛媒体:引领未来商业与生活新知
钛媒体:引领未来商业与生活新知
J
Java Code Geeks
Stack Overflow Blog
Stack Overflow Blog
N
Netflix TechBlog - Medium
Martin Fowler
Martin Fowler
宝玉的分享
宝玉的分享
G
Google Developers Blog
Last Week in AI
Last Week in AI

Все публикации подряд на Хабре

Ловим музу за клавиатуру: как айтишнику стать автором Что умеет Midjourney в 2026? Мой немного грустный разбор этого шикарного инструмента Никто не любит писать тесты, но ИИ может исправить это IPv8 выглядит как мечта. Поэтому почти наверняка не взлетит Производители вернули в продажу материнки с DDR3. Что происходит? Управление агентом с телефона через Telegram теперь в KodaCode От координации к лидерству: как меняется роль руководителя разработки Я сделала родителям бизнес вместо пенсии: зарабатываем 70 тысяч, мама не даёт продать В три раза быстрее приемка товара и оптимизация трудозатрат на 73%: как «РСТ-Инвент» помог Gulliver Group ИИ-шечный мир победил? О влиянии искусственного интеллекта на игропром Кремль снижает давление на Телеграмм пока Европа строит интернет по паспорту Как CEO, CTO и CIO за 8 часов собрали ИИ-директора, который умеет держать позицию под давлением Как (не) потерять домен за выходные Вместо 8 разных VPS: как я организовал практику студентам на одном сервере Почему твой Open Source проект не замечают? R&D: искусство управления неопределенностью в разработке AI-дефляция: вакансий для разработчиков больше, а рост зарплат — худший за 15 лет Мы отдали управление роботами OpenClaw. Что из этого вышло Галактический ID: система идентификации для всех форм разумной жизни Шесть основ бизнес-анализа: начинаем с вопроса «Кто в игре?» Код-ревью, в котором дело не в коде Данные переехали. Команда — нет Системной подход к сдаче OSWE в 2025 Почему комната управления реактором покрашена в цвет морской пены 4 YAML-файла вместо PySpark: как аналитикам строить пайплайны без разработчиков LLM-агент для поиска свободных доменов: автоматизируем подбор Когда, зачем и как правильно начинать новую сессию в Claude Code? Как я заставил нейросеть писать макросы для FreeCAD Анатомия ИИ‑агента для подбора персонала. От тысячи резюме к топ‑10 за минуты Опыт разработчика как экономика внимания
Книга: «Анализ данных с LLM. Текст, таблицы, изображения ...
ph_piter · 2026-06-23 · via Все публикации подряд на Хабре

Привет, Хаброжители!

Большие языковые модели (LLM) позволяют оптимизировать и ускорить решение практически любой задачи в области анализа данных. Освойте методы для анализа больших массивов текстовых, табличных и графовых данных, изображений, видео и многого другого с помощью понятных запросов на естественном языке и нескольких строк кода на Python.

В книге доцент Корнеллского университета Иммануэль Труммер демонстрирует, как интегрировать генеративный ИИ в повседневную работу специалиста по данным. Благодаря серии увлекательных проектов вы познакомитесь с библиотекой OpenAI для Python, такими инструментами, как LangChain и LlamaIndex, а также моделями от Anthropic, Cohere и Hugging Face. Научитесь использовать ИИ для получения структурированных и неструктурированных данных, анализа звука и изображений, а также для оптимизации затрат и повышения качества процесса анализа данных.

Что внутри

  • классификация, кластеризация, преобразование и анализ мультимодальных данных;

  • создание интерфейсов запросов на естественном языке для работы со структурированными источниками данных;

  • создание агентов на основе LLM для автономного анализа данных;

  • промпт-инжиниринг и настройка моделей.

Кому следует прочитать эту книгу

Кем бы вы ни были — разработчиком программного обеспечения, специалистом по работе с данными или любителем, интересующимся этой сферой, — эта книга для вас, если вы хотите использовать мощные возможности больших языковых моделей для выполнения различных видов анализа данных.

Предварительный опыт работы с языковыми моделями не требуется, так как в книге изложены все основы. Однако полезно иметь опыт программирования на Python, хотя бы на базовом уровне, поскольку примеры взаимодействия с моделями приведены именно на этом языке.

«Весьма содержательная и практическая книга. Настоятельно рекомендую!»

— Орен Этциони, Институт искусственного интеллекта Аллена

«Глубоко исследует интереснейшие области, которые другие книги обходят стороной. Позволит вам быстро подняться на новый уровень».

— Эндрю Карр, Cartwheel

«Поможет сделать LLM незаменимым инструментом для обработки любых данных и извлечения полезных сведений».

— Адитья Парамесваран, Калифорнийский университет в Беркли

«Ценный источник знаний для желающих использовать LLM в анализе мультимодальных данных».

— Сумит Бхаттачарья, TELUS Health

Об авторе
Иммануэль Труммер

— доцент факультета компьютерных наук Корнеллского университета. Область его исследований находится на пересечении анализа данных и машинного обучения. В частности, он занимается изучением применения больших языковых моделей в сфере анализа данных, что привело к появлению ряда публикаций, отмеченных наградами, и к сотрудничеству с компаниями. Его видеоуроки набрали более миллиона просмотров на YouTube. Помимо работы с языковыми моделями, Иммануэль любит играть на скрипке, исследует живописные уголки северной части штата Нью-Йорк и старается проводить как можно больше времени со своей семьей.

Ознакомиться с оглавлением
Полистать отрывок

Приобрести книгу «Анализ данных с LLM. Текст, таблицы, изображения и аудио» можно на нашем сайте.

По факту оплаты бумажной версии книги на e‑mail высылается электронная книга.

Для Хаброжителей действует скидка 25% по промокоду — LLM