2020 માં ડેટા સાયન્ટિસ્ટ તરીકે શું વાંચવું

આ પોસ્ટમાં, અમે તમારી સાથે ડેટા વિજ્ઞાનીઓ અને મશીન લર્નિંગ એન્જિનિયરો વચ્ચે ડેટા વર્ઝન કંટ્રોલ અને સહયોગ માટેના સમુદાય અને વેબ પ્લેટફોર્મ DAGsHubના સહ-સ્થાપક અને CTO તરફથી ડેટા સાયન્સ વિશે ઉપયોગી માહિતીના સ્ત્રોતોની પસંદગી શેર કરીએ છીએ. પસંદગીમાં ટ્વિટર એકાઉન્ટ્સથી લઈને સંપૂર્ણ એન્જીનિયરિંગ બ્લોગ્સ સુધીના વિવિધ સ્ત્રોતોનો સમાવેશ થાય છે, જેઓ તેઓ શું શોધી રહ્યાં છે તે બરાબર જાણતા હોય છે. કટ હેઠળ વિગતો.

લેખક તરફથી:
તમે જે ખાવ છો તે તમે છો, અને જ્ઞાન કાર્યકર તરીકે, તમારે સારા માહિતીપ્રદ આહારની જરૂર છે. હું ડેટા સાયન્સ, આર્ટિફિશિયલ ઇન્ટેલિજન્સ અને સંબંધિત ટેક્નોલોજીઓ વિશે માહિતીના સ્ત્રોતો શેર કરવા માંગુ છું જે મને સૌથી વધુ ઉપયોગી અથવા આકર્ષક લાગે છે. મને આશા છે કે આ તમને પણ મદદ કરશે!

બે મિનિટ પેપર્સ

એક YouTube ચૅનલ કે જે નવીનતમ ઇવેન્ટ્સ સાથે રાખવા માટે સારી રીતે અનુકૂળ છે. ચેનલને વારંવાર અપડેટ કરવામાં આવે છે અને હોસ્ટમાં આવરી લેવામાં આવેલા તમામ વિષયો માટે ચેપી ઉત્સાહ અને સકારાત્મકતા છે. માત્ર AI પર જ નહીં, પણ કમ્પ્યુટર ગ્રાફિક્સ અને અન્ય દૃષ્ટિની આકર્ષક વિષયો પર પણ રસપ્રદ કાર્યના કવરેજની અપેક્ષા રાખો.

યાનિક કિલ્ચર

તેની યુટ્યુબ ચેનલ પર, યાનિક ટેકનિકલ વિગતમાં ઊંડા શિક્ષણમાં નોંધપાત્ર સંશોધન સમજાવે છે. અભ્યાસ જાતે વાંચવાને બદલે, મહત્વના લેખોની ઊંડી સમજ મેળવવા માટે તેના વિડિયોમાંથી એક જોવાનું ઘણીવાર ઝડપી અને સરળ હોય છે. સમજૂતીઓ ગણિતની અવગણના કર્યા વિના અથવા ત્રણ પાઈનમાં ખોવાઈ ગયા વિના લેખોનો સાર વ્યક્ત કરે છે. યાનિક પણ અભ્યાસ કેવી રીતે એકસાથે બંધબેસે છે, પરિણામોને કેટલી ગંભીરતાથી લેવા, વ્યાપક અર્થઘટન અને વધુ વિશે તેમના મંતવ્યો શેર કરે છે. શિખાઉ લોકો (અથવા બિન-શૈક્ષણિક પ્રેક્ટિશનરો) માટે આ શોધો તેમના પોતાના પર આવવી વધુ મુશ્કેલ છે.

ડિસ્ટિલ.પબ

તેમના પોતાના શબ્દોમાં:

મશીન લર્નિંગ સંશોધન સ્પષ્ટ, ગતિશીલ અને ગતિશીલ હોવું જરૂરી છે. અને ડિસ્ટિલ સંશોધનમાં મદદ કરવા માટે બનાવવામાં આવી હતી.

ડિસ્ટિલ એ મશીન લર્નિંગના ક્ષેત્રમાં સંશોધન સાથેનું એક અનન્ય પ્રકાશન છે. વાચકને વિષયોની વધુ સાહજિક સમજ આપવા માટે લેખોને અદભૂત વિઝ્યુલાઇઝેશન સાથે પ્રમોટ કરવામાં આવે છે. અવકાશી વિચારસરણી અને કલ્પના મશીન લર્નિંગ અને ડેટા સાયન્સ વિષયોને સમજવામાં ખૂબ સારી રીતે કામ કરે છે. પરંપરાગત પ્રકાશન ફોર્મેટ, બીજી બાજુ, તેમની રચનામાં કઠોર, સ્થિર અને શુષ્ક અને કેટલીકવાર "ગાણિતિક". ક્રિસ ઓલાહ, ડિસ્ટિલના નિર્માતાઓમાંના એક, પર એક અદ્ભુત વ્યક્તિગત બ્લોગ પણ છે GitHub. તે થોડા સમય માટે અપડેટ કરવામાં આવ્યું નથી, પરંતુ તે હજી પણ લખાયેલા ઊંડા શિક્ષણના વિષય પરના શ્રેષ્ઠ સ્પષ્ટતાઓનો સંગ્રહ છે. ખાસ કરીને, તેણે મને ઘણી મદદ કરી વર્ણન LSTM!

સ્રોત

સેબેસ્ટિયન રુડર

સેબેસ્ટિયન રુડર એક ખૂબ જ સમજદાર બ્લોગ અને ન્યૂઝલેટર લખે છે, મુખ્યત્વે ન્યુરલ નેટવર્ક અને કુદરતી ભાષાના ટેક્સ્ટ માઇનિંગના આંતરછેદ વિશે. તેની પાસે સંશોધકો અને કોન્ફરન્સ સ્પીકર્સ માટે ઘણી બધી સલાહ છે, જો તમે એકેડેમિયામાં હોવ તો તે ખૂબ મદદરૂપ થઈ શકે છે. સેબાસ્ટિયનના લેખો સામાન્ય રીતે સમીક્ષાઓનું સ્વરૂપ લે છે, જે ચોક્કસ ક્ષેત્રમાં વર્તમાન સંશોધન અને પદ્ધતિઓની સ્થિતિનો સારાંશ આપે છે અને સમજાવે છે. આનો અર્થ એ છે કે આ લેખો એવા પ્રેક્ટિશનરો માટે અત્યંત ઉપયોગી છે જેઓ ઝડપથી તેમની બેરિંગ મેળવવા માંગે છે. સેબેસ્ટિયન પણ લખે છે Twitter.

આન્દ્રે કાર્પટી

આન્દ્રે કાર્પથીને કોઈ પરિચયની જરૂર નથી. પૃથ્વી પરના સૌથી પ્રખ્યાત ડીપ લર્નિંગ સંશોધકોમાંના એક હોવા ઉપરાંત, તે વ્યાપકપણે ઉપયોગમાં લેવાતા સાધનો બનાવે છે, દા.ત. આર્ક્સિવ સેનિટી પ્રિઝર્વર બાજુના પ્રોજેક્ટ તરીકે. તેના સ્ટેનફોર્ડ કોર્સ દ્વારા અસંખ્ય લોકો આ ક્ષેત્રમાં પ્રવેશ્યા છે cs231n, અને તે જાણવું તમારા માટે ઉપયોગી થશે રેસીપી ન્યુરલ નેટવર્ક તાલીમ. હું તેને જોવાની પણ ભલામણ કરું છું ભાષણ વાસ્તવિક દુનિયામાં મશીન લર્નિંગને સામૂહિક ધોરણે લાગુ કરવાનો પ્રયાસ કરતી વખતે ટેસ્લાએ વાસ્તવિક દુનિયાના પડકારોને દૂર કરવા જોઈએ. ભાષણ માહિતીપ્રદ, પ્રભાવશાળી અને શાંત છે. એમએલ વિશેના લેખો ઉપરાંત, આન્દ્રે કાર્પથી આપે છે સારી જીવન સલાહ માટે મહત્વાકાંક્ષી વૈજ્ઞાનિકો. અંતે એન્ડ્રુ વાંચો Twitter અને પર Github.

ઉબેર એન્જિનિયરિંગ

ઉબેર એન્જિનિયરિંગ બ્લોગ તેના કવરેજના સ્કેલ અને પહોળાઈમાં ખરેખર પ્રભાવશાળી છે, ખાસ કરીને ઘણા બધા વિષયોને આવરી લે છે કૃત્રિમ બુદ્ધિ. મને ખાસ કરીને ઉબેરના એન્જિનિયરિંગ કલ્ચર વિશે જે ગમે છે તે ખૂબ જ રસપ્રદ અને મૂલ્યવાન રિલીઝ કરવાની તેમની વૃત્તિ છે. પ્રોજેક્ટ્સ એક ખતરનાક ગતિએ ઓપન સોર્સ. અહીં કેટલાક ઉદાહરણો છે:

• લુડવિગ
• h3
• પ્રતિક્રિયા
• aresdb
• અને યાદી આગળ વધે છે... હેટ્સ ઓફ, ઉબેર

ઓપનએઆઈ બ્લોગ

વિવાદોને બાજુએ રાખીને, OpenAI નો બ્લોગ નિર્વિવાદપણે અદ્ભુત છે. સમય સમય પર, બ્લોગ પોસ્ટ કરે છે સામગ્રી અને ઊંડા શિક્ષણ વિશે આંતરદૃષ્ટિ જે ફક્ત OpenAI ના સ્કેલ પર આવી શકે છે: અનુમાનિત ઘટના ઊંડા ડબલ વંશ. OpenAI ટીમ અવારનવાર પોસ્ટ કરવાનું વલણ ધરાવે છે, પરંતુ આ મહત્વપૂર્ણ સામગ્રી છે.

સ્રોત

તબુલા બ્લોગ

Taboola બ્લોગ આ પોસ્ટમાંના કેટલાક અન્ય સ્રોતો જેટલો જાણીતો નથી, પરંતુ મને લાગે છે કે તે અનન્ય છે - લેખકો "સામાન્ય " વ્યવસાયો: સ્વ-ડ્રાઇવિંગ કાર અને વિશ્વ ચેમ્પિયન વિજેતા આરએલ એજન્ટો વિશે ઓછું, "મને કેવી રીતે ખબર પડશે કે મારું મોડેલ હવે ખોટા આત્મવિશ્વાસ સાથે વસ્તુઓની આગાહી કરી રહ્યું છે?" આ સમસ્યાઓ આ ક્ષેત્રમાં કામ કરતા લગભગ દરેક વ્યક્તિ માટે સુસંગત છે, અને તેમને વધુ સામાન્ય AI વિષયો કરતાં ઓછું પ્રેસ કવરેજ મળે છે, પરંતુ આ સમસ્યાઓને યોગ્ય રીતે ઉકેલવા માટે હજુ પણ વિશ્વ-વર્ગની પ્રતિભાની જરૂર છે. સદભાગ્યે, ટેબૂલા પાસે આ પ્રતિભા અને તેના વિશે લખવાની ઈચ્છા અને ક્ષમતા બંને છે જેથી અન્ય લોકો પણ શીખી શકે.

Reddit

ટ્વિટરની સાથે, રેડિટ પર સંશોધન, સાધનો અથવા ભીડની શાણપણ પર ધ્યાન આપવા કરતાં વધુ સારું કંઈ નથી.

• reddit.com/r/machinelearning
• reddit.com/r/datascience

AI રાજ્ય

પોસ્ટ્સ ફક્ત વાર્ષિક ધોરણે પ્રકાશિત થાય છે, પરંતુ તે ખૂબ જ ગાઢ માહિતીથી ભરેલી હોય છે. આ સૂચિ પરના અન્ય સ્રોતોની તુલનામાં, આ એક બિન-ટેક વ્યવસાયિક લોકો માટે વધુ સુલભ છે. મને વાટાઘાટો વિશે જે ગમે છે તે એ છે કે તે ઉદ્યોગ અને સંશોધન ક્યાં જઈ રહ્યા છે તેનો વધુ સાકલ્યવાદી દૃષ્ટિકોણ પ્રદાન કરવાનો પ્રયાસ કરે છે, હાર્ડવેર, સંશોધન, વ્યવસાય અને ભૌગોલિક રાજનીતિમાં પણ એક પક્ષીની નજરથી આગળ વધે છે. હિતોના સંઘર્ષો વિશે વાંચવા માટે અંતથી પ્રારંભ કરવાનું સુનિશ્ચિત કરો.

પોડકાસ્ટ

પ્રમાણિકપણે, મને લાગે છે કે પોડકાસ્ટ ટેક્નિકલ વિષયોની શોધખોળ માટે ખરાબ રીતે અનુકૂળ છે. છેવટે, તેઓ ફક્ત વિષયો સમજાવવા માટે ઑડિયોનો ઉપયોગ કરે છે, અને ડેટા વિજ્ઞાન એ ખૂબ જ દ્રશ્ય ક્ષેત્ર છે. પોડકાસ્ટ તમને પાછળથી વધુ ઊંડાણપૂર્વક સંશોધન કરવા અથવા કેટલીક રસપ્રદ દાર્શનિક ચર્ચાઓ કરવા માટે એક બહાનું આપે છે. જો કે, અહીં કેટલીક ભલામણો છે:

• લેક્સ ફ્રિડમેન પોડકાસ્ટ, જેમ કે તે કૃત્રિમ બુદ્ધિના ક્ષેત્રમાં અગ્રણી સંશોધકો સાથે વાત કરે છે. ફ્રાન્કોઇસ ચોલેટ સાથેના એપિસોડ્સ ખાસ કરીને સારા છે!
• ડેટા એન્જિનિયરિંગ પોડકાસ્ટ. નવા ડેટા ઇન્ફ્રાસ્ટ્રક્ચર ટૂલ્સ વિશે સાંભળીને સારું.

અદ્ભુત યાદીઓ

અહીં ટ્રૅક રાખવા માટે ઓછું છે, પરંતુ વધુ સંસાધનો કે જે ઉપયોગી છે જ્યારે તમે જાણતા હોવ કે તમે શું શોધી રહ્યાં છો:

• github.com/josephmisiti/awesome-machine-learning
• awesomedataengineering.com

Twitter

• મેટી મેરીઆન્સકી
  મેટીને ન્યુરલ નેટવર્કનો ઉપયોગ કરવાની સુંદર, સર્જનાત્મક રીતો મળી છે અને તમારા Twitter ફીડ પર તેના પરિણામો જોવાની મજા છે. ઓછામાં ઓછું એક નજર નાખો આ ઝડપી
• ઓરી કોહેન
  ઓરી માત્ર એક ડ્રાઇવિંગ મશીન છે બ્લોગ્સ. તે ડેટા વૈજ્ઞાનિકો માટે સમસ્યાઓ અને ઉકેલો વિશે વિસ્તૃત રીતે લખે છે. જ્યારે કોઈ લેખ પ્રકાશિત થાય ત્યારે સૂચિત થવા માટે સબ્સ્ક્રાઇબ કરવાની ખાતરી કરો. તેમના સંગ્રહ, ખાસ કરીને, ખરેખર પ્રભાવશાળી છે.
• જેરેમી હોવર્ડ
  fast.ai ના સહ-સ્થાપક, સર્જનાત્મકતા અને ઉત્પાદકતાનો વ્યાપક સ્ત્રોત.
• હેમલ હુસૈન
  ગીથબ ખાતે સ્ટાફ એમએલ એન્જિનિયર, હેમલ હુસૈન ડેટા કોડર્સ માટે ઘણા ટૂલ્સ બનાવવા અને રિપોર્ટિંગના કામમાં વ્યસ્ત છે.
• ફ્રાન્કોઇસ ચોલેટ
  કેરાસના નિર્માતા, હવે પ્રયાસ બુદ્ધિ શું છે અને તેનું પરીક્ષણ કેવી રીતે કરવું તે અંગેની અમારી સમજને અપડેટ કરો.
• હરદમારુ
  ગૂગલ બ્રેઈનના સંશોધન વૈજ્ઞાનિક.

નિષ્કર્ષ

મૂળ પોસ્ટને અપડેટ કરવામાં આવી શકે છે કારણ કે લેખકને સામગ્રીના મહાન સ્ત્રોતો મળે છે કે સૂચિમાં શામેલ ન કરવું શરમજનક છે. પર તેમનો સંપર્ક કરવા માટે મફત લાગે Twitter, જો તમે નવા સ્ત્રોતની ભલામણ કરવા માંગો છો! અને DAGsHub પણ ભાડે રાખે છે એડવોકેટ [આશરે. અનુવાદ પબ્લિક પ્રેક્ટિશનર] ડેટા સાયન્સમાં, તેથી જો તમે તમારી પોતાની ડેટા સાયન્સ સામગ્રી બનાવો છો, તો પોસ્ટના લેખકને લખવા માટે નિઃસંકોચ.

ભલામણ કરેલ સ્ત્રોતો વાંચીને અને પ્રમોશનલ કોડનો ઉપયોગ કરીને તમારો વિકાસ કરો HABR, તમે બેનર પર દર્શાવેલ ડિસ્કાઉન્ટ પર વધારાના 10% મેળવી શકો છો.

• ડેટા સાયન્સ ઓનલાઈન બુટકેમ્પ
• શરૂઆતથી ડેટા એનાલિસ્ટના વ્યવસાયને તાલીમ આપવી
• ડેટા એનાલિટિક્સ ઓનલાઇન બુટકેમ્પ
• શરૂઆતથી ડેટા સાયન્સના વ્યવસાયને શીખવવું
• વેબ ડેવલપમેન્ટ કોર્સ માટે પાયથોન

વધુ અભ્યાસક્રમો

• ડેટા એનાલિટિક્સ કોર્સ
• DevOps કોર્સ
• વ્યવસાય વેબ ડેવલપર
• શરૂઆતથી વ્યવસાય iOS વિકાસકર્તા
• શરૂઆતથી વ્યવસાય એન્ડ્રોઇડ ડેવલપર
• શરૂઆતથી વ્યવસાય જાવા ડેવલપર
• જાવાસ્ક્રિપ્ટ કોર્સ
• મશીન લર્નિંગ કોર્સ
• કોર્સ "ડેટા સાયન્સ માટે ગણિત અને મશીન લર્નિંગ"
• એડવાન્સ કોર્સ "મશીન લર્નિંગ પ્રો + ડીપ લર્નિંગ"

ફીચર્ડ લેખો

• ઑનલાઇન અભ્યાસક્રમો વિના ડેટા સાયન્ટિસ્ટ કેવી રીતે બનવું
• 450 મફત આઇવી લીગ અભ્યાસક્રમો
• સળંગ 5 મહિના માટે અઠવાડિયામાં 9 દિવસ મશીન લર્નિંગનો અભ્યાસ કેવી રીતે કરવો
• ડેટા વિશ્લેષક કેટલી કમાણી કરે છે: 2020 માં રશિયા અને વિદેશમાં પગાર અને ખાલી જગ્યાઓની ઝાંખી
• ખાણકામ ઉદ્યોગમાં મશીન લર્નિંગ અને કમ્પ્યુટર વિઝન

સોર્સ: www.habr.com