本文约1000字，建议阅读5分钟
本教程深入探讨了LLMs在表格数据中的应用，涵盖多种表格相关任务，例如表格理解、文本到SQL转换以及表格数据预处理。
大语言模型（LLMs）的快速发展催生了丰富多样的应用。本教程深入探讨了LLMs在表格数据中的应用，涵盖多种表格相关任务，例如表格理解、文本到SQL转换以及表格数据预处理。本教程按照技术方法将LLM解决方案分为五类：提示（prompting）、微调（fine-tuning）、检索增强生成（RAG）、代理（agents）以及多模态方法（multimodal methods）。它讨论了LLMs如何为解释、增强、查询和清理表格数据提供创新方法，并介绍了学术界的贡献及其在工业领域的实际应用。教程重点强调了LLMs在处理复杂表格任务中的多功能性和有效性，展示了它们在提升数据质量、增强分析能力和促进更直观数据交互方面的潜力。通过对不同方法的综述，教程凸显了LLMs在提升表格任务的准确性和可用性方面的优势，为未来数据科学和AI驱动分析中的研究和应用奠定了基础。https://dongyuyang.github.io/tableLLM-tutorial/
![]()
![]()
![]()
![]()
![]()
![]()
![]()
![]()
![]()
![]()
![]()
数据派THU作为数据科学类公众号，背靠清华大学大数据研究中心，分享前沿数据科学与大数据技术创新研究动态、持续传播数据科学知识，努力建设数据人才聚集平台、打造中国大数据最强集团军。
![]()
新浪微博：@数据派THU
微信视频号：数据派THU
今日头条：数据派THU
