介绍 TabFM：面向表格数据的零样本基础模型

NVIDIA Kumo Relational 在关系型数据上优于监督机器学习，且无需训练

NVIDIA Kumo Relational Outperforms Supervised Machine Learning on Relational Data, No Training Required

文章介绍 NVIDIA Kumo Relational，一个直接在企业数据库上做预测的预训练关系型基础模型。给定预测查询，它从历史数据中收集上下文示例，通过一次前向计算预测流失、需求或欺诈等结果，无需任务特定训练、特征工程或把表展平。文中称其在 15 个数据库的 41 项任务上超过监督式关系深度学习模型和专家设计的梯度提升树流程，在 SAP SALT 企业基准上平均倒数排名比 AutoGluon 集成高 8%，并支持 5000 亿行以上的数据库。

UC Berkeley Data102（2025 年秋）

加州大学伯克利分校 Data 102《Data, Inference, and Decisions》2025 年秋季课程网站，页面注明内容已于 2026 年 3 月归档，仅供查阅。页面列出两位授课教师 Nivasini Ananthakrishnan 与 Ramesh Sridharan 的简介，以及按周组织的课程安排，包括讲座、实验、讨论课、Vitamin 小测和作业，主题覆盖二元决策、p 值与假设检验、多重假设检验与错误发现率控制、频率派与贝叶斯决策、贝叶斯建模与层次模型等。适合想学习数据推断与决策统计方法的人参考。

一个不含任何数据的 DuckDB 数据库

A DuckDB Database with No Data in It

这是 DuckDB 官方博客的一篇文章，介绍 DuckDB 数据库文件可以不存储数据，只保存指向对象存储上 Parquet 文件的视图定义，文件仅几百 KB，却能像共享目录一样覆盖整个数据湖。文中讲述如何构建、托管并以只读方式挂载这样的文件，并引用了 Nikolas Goebel 的相关观点。适合使用 DuckDB 和 Parquet 组织数据湖的人阅读。

面向推荐系统的 Bandit 方法

Bandits for Recommender Systems

这篇博客文章讲解 Bandit 方法如何通过建模不确定性并主动探索来解决推荐系统的反馈回路问题，尤其适用于物品集合快速变化（新闻、广告、推文）或流量较低的场景。文中简要讨论了 ε-greedy、UCB 和 Thompson Sampling 三种主要算法，并提及工业界实现。适合做推荐系统、关注探索与利用问题的人阅读。

使用 IBM Granite 时间序列模型进行集成预测

Ensemble forecasting with IBM Granite time-series models

文章介绍 Granite Timeseries Ensemble：用一个可扩展的预测接口组合四个开放的 Granite 模型，返回中位数和分位数预测，无需重新训练，也不需要拟合集成权重。文中建议先用概率集成（均匀概率池化），再比较自适应四分位距（IQR）集成，并可用兼容的预测模型扩展同一接口。内容针对预训练时间序列模型需要选择模型的问题：不同模型分别擅长平滑工业信号、噪声较大的零售需求或长季节周期。

多臂老虎机问题及其解法

The Multi-Armed Bandit Problem and Its Solutions

这篇博客以“去哪家餐厅吃饭”等生活化例子说明利用与探索的权衡，界定多臂老虎机问题，并介绍若干策略：ε-贪心、基于 Hoeffding 不等式的置信上界 UCB1、贝叶斯 UCB、汤普森采样，最后附案例研究与总结。作者提到针对伯努利老虎机的算法实现在其 GitHub 仓库 lilianweng/multi-armed-bandit 中。