En ĉi tiu afiŝo, ni dividas kun vi elekton de fontoj de utilaj informoj pri Data Science de la kunfondinto kaj CTO de DAGsHub, komunumo kaj retejo platformo por datuma versio-kontrolo kaj kunlaboro inter datumsciencistoj kaj maŝinlernado-inĝenieroj. La elekto inkluzivas diversajn fontojn, de Twitter-kontoj ĝis plenrajtaj inĝenieraj blogoj, kiuj celas tiujn, kiuj scias precize kion ili serĉas. Detaloj sub la tranĉo.
De la aŭtoro:
Vi estas tio, kion vi manĝas, kaj kiel scilaboristo, vi bezonas bonan informan dieton. Mi volas kunhavigi fontojn de informoj pri Data Science, artefarita inteligenteco kaj rilataj teknologioj, kiujn mi trovas plej utilaj aŭ allogaj. Mi esperas, ke ĉi tio ankaŭ helpos vin!
Jutuba kanalo, kiu taŭgas por resti ĝisdatigita pri la plej novaj eventoj. La kanalo estas ĝisdatigita ofte kaj la gastiganto havas infektan entuziasmon kaj pozitivecon en ĉiuj temoj kovritaj. Atendu priraportadon de interesa laboro ne nur pri AI, sed ankaŭ pri komputila grafiko kaj aliaj vide allogaj temoj.
Sur sia jutuba kanalo, Yannick klarigas signifan esploradon pri profunda lernado en teknika detalo. Anstataŭ legi studon memstare, ofte estas pli rapide kaj pli facile spekti unu el ĝiaj videoj por akiri pli profundan komprenon de gravaj artikoloj. La klarigoj transdonas la esencon de la artikoloj sen neglekti la matematikon aŭ perdiĝi en tri pinoj. Yannick ankaŭ dividas siajn opiniojn pri kiel studoj kongruas, kiom serioze oni devas preni rezultojn, pli larĝajn interpretojn, ktp. Komencantoj (aŭ ne-akademiaj praktikistoj) trovas pli malfacile veni al ĉi tiuj malkovroj memstare.
En siaj propraj vortoj:
Esplorado pri maŝinlernado devas esti klara, dinamika kaj vigla. Kaj Distill estis kreita por helpi en esplorado.
Distill estas unika maŝinlernada esplorpublikaĵo. Artikoloj estas reklamitaj kun mirindaj bildigoj por doni al la leganto pli intuician komprenon de la temoj. Spaca pensado kaj imago emas funkcii tre bone por helpi vin kompreni Temojn pri Maŝinlernado kaj Datuma Scienco. Tradiciaj publikigformatoj, aliflanke, tendencas esti rigidaj en sia strukturo, senmovaj kaj sekaj, kaj foje . Chris Olah, kunkreinto de Distill, ankaŭ konservas mirindan personan blogon ĉe . Ĝi ne estis ĝisdatigita dum longa tempo, sed ankoraŭ restas kolekto de la plej bonaj profundaj lernaj klarigoj iam verkitaj. Precipe ĝi multe helpis min LSTM!
Sebastian Ruder verkas tre informan blogon kaj bultenon, ĉefe pri la intersekciĝo de neŭralaj retoj kaj naturlingva teksto-analizo. Li ankaŭ donas multajn konsilojn al esploristoj kaj konferencaj parolantoj, kiuj povas esti tre helpemaj se vi estas en akademio. La artikoloj de Sebastian tendencas preni la formon de recenzoj, resumante kaj klarigante la staton de la arto en esplorado kaj metodoj en antaŭfiksita areo. Ĉi tio signifas, ke la artikoloj estas ege utilaj por praktikistoj, kiuj volas rapide ekorientiĝi. Sebastiano ankaŭ skribas en .
Andreo Karpaty ne bezonas enkondukon. Krom esti unu el la plej famaj esploristoj pri profunda lernado sur la tero, li kreas vaste uzatajn ilojn kiel ekz kiel flankaj projektoj. Sennombraj homoj eniris ĉi tiun regnon per lia Stanforda kurso. , kaj estos utile por vi koni ĝin trejnado de neŭrala reto. Mi ankaŭ rekomendas spekti ĝin pri la realaj problemoj, kiujn Tesla devas venki kiam ĝi provas apliki maŝinlernadon amase en la reala mondo. Parolado estas informa, impona kaj sobriga. Krom artikoloj pri ML mem, Andrey Karpaty donas por . Legu Andreon ĉe kaj plu .
La Uber-inĝenieristiko-blogo estas vere impresa laŭ skalo kaj amplekso de kovrado, kovrante multajn temojn, precipe . Kion mi precipe ŝatas pri la inĝenieristika kulturo de Uber estas ilia emo liberigi tre interesajn kaj valorajn malferma fonto je rapida rapideco. Jen kelkaj ekzemploj:
- Kaj la listo daŭras kaj plu...Ĉapelo, Uber
Konflikto flankenmetite, la OpenAI-blogo estas nekontesteble bonega. De tempo al tempo, la blogo afiŝas enhavon kaj komprenojn pri profunda lernado, kiuj povas veni nur laŭ la skalo de OpenAI: hipoteza profunda duobla deveno. La OpenAI-teamo tendencas afiŝi malofte, sed ĉi tiuj estas grava enhavo.
La Taboola blogo ne estas tiel konata kiel kelkaj el la aliaj fontoj en ĉi tiu afiŝo, sed mi pensas, ke ĝi estas unika - la aŭtoroj skribas pri tre sekularaj, realaj problemoj kiam oni provas apliki ML en produktado por "normala" komerco: malpli pri memveturantaj aŭtoj kaj RL-agentoj gajnantaj mondĉampionojn, pli pri "kiel mi scias ĉu mia modelo nun antaŭdiras aferojn kun falsa fido?". Ĉi tiuj aferoj estas gravaj por preskaŭ ĉiuj laborantaj en la kampo kaj ricevas malpli da gazetara kovrado ol pli oftaj temoj de AI, sed ankoraŭ bezonas mondklasan talenton por ĝuste trakti ĉi tiujn aferojn. Feliĉe, Taboola havas kaj ĉi tiun talenton kaj la volon kaj kapablon skribi pri ĝi por ke aliaj homoj ankaŭ povu lerni.
Kune kun Twitter, estas nenio pli bona en Reddit ol enganiĝi al la esplorado, iloj aŭ saĝeco de la homamaso.
Afiŝoj estas publikigitaj nur ĉiujare, sed plenigitaj kun informoj tre dense. Kompare kun aliaj fontoj en ĉi tiu listo, ĉi tiu estas pli alirebla por ne-teknikaj komercistoj. Kion mi amas pri la babiladoj estas, ke ili provas doni pli holisma vidon de kie la industrio kaj esplorado iras, kunligante progresojn en aparataro, esplorado, komerco, kaj eĉ geopolitiko de birda vido. Nepre komencu ĉe la fino legi pri konfliktoj de intereso.
Podkastoj
Sincere, mi pensas, ke podkastoj estas malbone taŭgaj por lerni pri teknikaj temoj. Post ĉio, ili uzas nur sonon por klarigi temojn, kaj datumscienco estas tre vida kampo. Podkastoj tendencas doni al vi pretekston por esplori pli profunde poste, aŭ por engaĝi filozofiajn diskutojn. Tamen, jen kelkaj rekomendoj:
- kiam li parolas kun elstaraj esploristoj en la kampo de artefarita inteligenteco. Epizodoj kun Francois Chollet estas precipe bonaj!
- . Agrabla aŭdi pri novaj iloj pri datuma infrastrukturo.
Mirindaj listoj
Estas malpli por atenti ĉi tie, sed pli da rimedoj, kiuj estas helpemaj post kiam vi scias, kion vi serĉas:
Matty trovas belajn, kreivajn manierojn uzi neŭralajn retojn, kaj estas nur amuze vidi liajn rezultojn en via Twitter-fluo. Rigardu almenaŭ rapida.
Ori estas nur veturmaŝino . Li skribas vaste pri problemoj kaj solvoj por datumsciencistoj. Nepre abonu por esti sciigita kiam artikolo estas publikigita. Lia precipe estas vere impona.
Kunfondinto de fast.ai, ampleksa fonto de kreivo kaj produktiveco.
Staba ML-inĝeniero ĉe Github, Hamel Hussain estas okupata pri laboro kreante kaj raportante pri multaj iloj por kodistoj en la datuma domajno.
Kreinto de Keras, nun ĝisdatigi nian komprenon pri kio estas inteligenteco kaj kiel testi ĝin.
Esploristo ĉe Google Brain.
konkludo
La originala afiŝo povas esti ĝisdatigita ĉar la aŭtoro trovas bonegajn fontojn de enhavo, kiujn estus domaĝe ne inkluzivi en la liston. Bonvolu kontakti lin se vi volas rekomendi iun novan fonton! Kaj ankaŭ DAGsHub Advokato [ĉ. transl. Public Practitioner] en Datuma Scienco, do se vi kreas vian propran Datuman Sciencan enhavon, bonvolu skribi al la aŭtoro de la afiŝo.
Evoluiĝu legante la rekomenditajn fontojn kaj laŭ la reklama kodo HABR, vi povas ricevi plian 10% al la rabato indikita sur la standardo.
Pli da kursoj
Elstaraj Artikoloj
fonto: www.habr.com