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

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。

介绍 TabFM：面向表格数据的零样本基础模型

Introducing TabFM: A zero-shot foundation model for tabular data

这是 Google 研究科学家 Weihao Kong 和 Abhimanyu Das 于 2026 年 6 月 30 日发布的博客，介绍面向表格数据的新基础模型 TabFM，用于简化分类与回归工作流。博客称其沿用 TimesFM 的"零样本"思路，文中还讨论了 XGBoost、随机森林等树模型在部署时需要的超参数优化与特征工程负担。文中提供 Hugging Face 和 GitHub 链接。

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。

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。

AI 推荐系统

AI Recommender Systems

Kim Falk 撰写、Manning Publications 出版的推荐系统书籍，共 375 页，预计出版日期为 2027-05-15，尚未出版。内容涉及由 LLM、agent 与上下文工程驱动的新一代推荐系统，从推荐系统入门讲到评估与生产环境部署，涵盖数据工程、性能优化、RAG 等工具，以及算法的强项与盲区。简介面向开发者，说明如何针对业务需求定制和改进系统输出。

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。