🥇Какво да прочетете за специалист по Data Science през 2020 г.

В тази публикация споделяме с вас селекция от източници на полезна информация за Data Science от съоснователя и CTO на DAGsHub, общност и уеб платформа за контрол на версиите на данни и сътрудничество между специалисти по данни и инженери по машинно обучение. Селекцията включва различни източници, от акаунти в Twitter до пълноценни инженерни блогове, които са насочени към тези, които знаят точно какво търсят. Детайли под кройката.

От автора:
Вие сте това, което ядете, и като човек, работещ със знания, се нуждаете от добра информационна диета. Искам да споделя източници на информация за науката за данни, изкуствения интелект и свързаните с тях технологии, които намирам за най-полезни или привлекателни. Надявам се това да помогне и на вас!

Двуминутни документи

Канал в YouTube, който е много подходящ да бъде в крак с най-новите събития. Каналът се актуализира често и домакинът има заразителен ентусиазъм и позитивизъм към всички засегнати теми. Очаквайте отразяване на интересна работа не само по AI, но и по компютърна графика и други визуално привлекателни теми.

Яник Килчър

В своя канал в YouTube Яник обяснява значими изследвания в областта на дълбокото обучение в технически подробности. Вместо да четете сами проучването, често е по-бързо и по-лесно да гледате някой от видеоклиповете му, за да придобиете по-задълбочено разбиране на важните статии. Обясненията предават същността на статиите, без да пренебрегват математиката или да се губят в три бора. Яник също така споделя вижданията си за това как проучванията се съчетават, колко сериозно да се приемат резултатите, по-широките интерпретации и др. По-трудно е за начинаещите (или за неакадемичните практикуващи) да стигнат сами до тези открития.

Distill.pub

По техните собствени думи:

Изследванията на машинното обучение трябва да бъдат ясни, динамични и живи. И Distill е създаден, за да помогне с изследванията.

Distill е уникално издание с изследвания в областта на машинното обучение. Популяризират се статии със зашеметяващи визуализации, за да дадат на читателя по-интуитивно разбиране на темите. Пространственото мислене и въображението обикновено работят много добре, за да помогнат за разбирането на темите за машинно обучение и наука за данни. Традиционните формати на публикации, от друга страна, са склонни да бъдат твърди в своята структура, статични и сухи, а понякога "математически". Крис Ола, един от създателите на Distill, също има невероятен личен блог на адрес GitHub. Не е актуализиран от известно време, но все още остава колекция от най-добрите обяснения по темата за дълбокото обучение, писани някога. По-конкретно много ми помогна описание LSTM!

източник

Себастиан Рудър

Себастиан Рудър пише много проницателен блог и бюлетин, предимно за пресичането на невронни мрежи и копаене на текст на естествен език. Той също така има много съвети за изследователи и лектори на конференции, които могат да бъдат много полезни, ако сте в академичните среди. Статиите на Себастиан обикновено са под формата на прегледи, обобщаващи и обясняващи състоянието на текущите изследвания и методи в определена област. Това означава, че статиите са изключително полезни за практикуващи, които искат бързо да се ориентират. Себастиан също пише Twitter.

Андрей Карпати

Андрей Карпати няма нужда от представяне. Освен че е един от най-известните изследователи на дълбокото обучение на Земята, той създава широко използвани инструменти, напр. arxiv sanity консерватор като странични проекти. Безброй хора са навлезли в тази област чрез неговия курс в Станфорд cs231n, и ще ви бъде полезно да го знаете рецепта обучение на невронни мрежи. И аз препоръчвам да го гледате реч за предизвикателствата в реалния свят, които Tesla трябва да преодолее, когато се опитва да приложи машинно обучение в масов мащаб в реалния свят. Речта е информативна, впечатляваща и отрезвяваща. В допълнение към статиите за самия ML, Андрей Карпати дава добри житейски съвети за амбициозни учени. Прочетете Андрей в Twitter и Github.

Убер Инженеринг

Инженерният блог на Uber е наистина впечатляващ със своя мащаб и широчина на покритие, като обхваща много теми, по-специално Изкуствен интелект. Това, което особено ми харесва в инженерната култура на Uber, е тенденцията им да произвеждат много интересни и ценни продукти Проекти отворен код с главоломна скорост. Ето няколко примера:

Лудвиг
h3
реагират-вис
aresdb
И списъкът продължава и продължава... Шапки долу, Uber

Блог на OpenAI

Като оставим противоречията настрана, блогът на OpenAI е безспорно прекрасен. От време на време блогът публикува съдържание и идеи за задълбочено обучение, които могат да достигнат само до мащаба на OpenAI: Хипотетично явление дълбоко двойно спускане. Екипът на OpenAI има тенденция да публикува рядко, но това са важни неща.

източник

Блог Taboola

Блогът на Taboola не е толкова известен като някои от другите източници в тази публикация, но мисля, че е уникален – авторите пишат за много земни проблеми от реалния живот, когато се опитват да приложат ML в производството за „нормални " бизнес: по-малко за самоуправляващите се автомобили и RL агентите, които печелят световни шампиони, повече за „как да разбера, че моят модел сега предвижда нещата с фалшива увереност?" Тези проблеми са от значение за почти всички, работещи в областта, и получават по-малко отразяване в пресата, отколкото по-често срещаните теми за ИИ, но все пак е необходим талант от световна класа, за да се решат правилно тези проблеми. За щастие Taboola има както този талант, така и желанието и способността да пише за него, така че и други хора да могат да се научат.

Заедно с Twitter, няма нищо по-добро в Reddit от това да се пристрастите към изследванията, инструментите или мъдростта на тълпата.

Състояние на AI

Публикациите се публикуват само годишно, но са пълни с много плътна информация. В сравнение с други източници в този списък, този е по-достъпен за нетехнологични бизнесмени. Това, което ми харесва в разговорите, е, че се опитват да осигурят по-цялостен поглед върху това накъде са се насочили индустрията и изследванията, обвързвайки напредъка в хардуера, изследванията, бизнеса и дори геополитиката от птичи поглед. Не забравяйте да започнете от края, за да прочетете за конфликтите на интереси.

Подкасти

Честно казано, мисля, че подкастите не са подходящи за изследване на технически теми. В края на краищата те използват само аудио, за да обяснят теми, а науката за данни е много визуално поле. Подкастите обикновено ви дават извинение да направите по-задълбочено проучване по-късно или да проведете някои увлекателни философски дискусии. Ето обаче някои препоръки:

Подкаст на Лекс Фридман, като разговаря с видни изследователи в областта на изкуствения интелект. Особено добри са епизодите с Франсоа Шоле!
Подкаст за инженеринг на данни. Радвам се да чуя за нови инструменти за инфраструктура за данни.

Страхотни списъци

Тук има по-малко за следене, но повече ресурси, които са полезни, когато знаете какво търсите:

Twitter

Мати Мариански
Мати намира красиви, креативни начини за използване на невронни мрежи и е просто забавно да виждате резултатите му във вашата емисия в Twitter. Поне погледнете това пост.
Ори Коен
Ори е просто задвижваща машина блогове. Той пише много за проблеми и решения за учените по данни. Не забравяйте да се абонирате, за да получавате известия при публикуване на статия. Неговата колекция, особено е наистина впечатляващо.
Джереми Хауърд
Съосновател на fast.ai, всеобхватен източник на креативност и продуктивност.
Хамел Хюсеин
Специален ML инженер в Github, Хамел Хюсеин е зает да създава и докладва за много инструменти за кодери на данни.
Франсоа Шоле
Създател на Keras, сега опитвайки се да актуализираме нашето разбиране за това какво е интелигентност и как да я тестваме.
Хардмару
Учен изследовател в Google Brain.

Заключение

Оригиналната публикация може да бъде актуализирана, тъй като авторът намира страхотни източници на съдържание, които би било жалко да не бъдат включени в списъка. Чувствайте се свободни да се свържете с него на Twitter, ако искате препоръчайте нов източник! А също и DAGsHub наема Адвокат [прибл. превод public practitioner] в Data Science, така че ако създадете свое собствено Data Science съдържание, не се колебайте да пишете на автора на публикацията.

Развивайте себе си, като четете препоръчани източници и използвате промоционалния код ХАБР, можете да получите допълнителни 10% към отстъпката, посочена на банера.

Още курсове

Препоръчани статии

Източник: www.habr.com

Какво да четете като специалист по данни през 2020 г

Reddit

Подкасти

Страхотни списъци

Twitter

Заключение

Препоръчани статии