Ebben a bejegyzésben megosztunk veled néhány hasznos információforrást a Data Science-ről a DAGsHub társalapítójától és műszaki igazgatójától. Ez egy közösségi és webes platform az adatverzió-szabályozáshoz, valamint az adattudósok és a gépi tanulási mérnökök közötti együttműködéshez. A választékban sokféle forrás található, a Twitter fiókoktól a teljes értékű mérnöki blogokig, amelyek azokat célozzák meg, akik pontosan tudják, mit keresnek. Részletek a vágás alatt.
A szerzőtől:
Az vagy, amit megeszel, és tudásmunkásként jó információs étrendre van szüksége. Olyan információforrásokat szeretnék megosztani az adattudományról, a mesterséges intelligenciáról és a kapcsolódó technológiákról, amelyeket a leginkább hasznosnak vagy vonzónak találok. Remélem ez neked is segít!
Egy YouTube-csatorna, amely kiválóan alkalmas arra, hogy naprakész legyen a legfrissebb eseményekről. A csatorna gyakran frissül, és a műsorvezető fertőző lelkesedéssel és pozitív hozzáállással rendelkezik minden érintett témában. Nemcsak a mesterséges intelligenciával, hanem a számítógépes grafikával és más vizuálisan tetszetős témákkal kapcsolatos érdekes munkákat is várhat.
YouTube-csatornáján Yannick részletesen ismerteti a mély tanulással kapcsolatos jelentős kutatásokat. Ahelyett, hogy önállóan olvasna el egy tanulmányt, gyakran gyorsabb és egyszerűbb megnézni valamelyik videóját, hogy mélyebben megértse a fontos cikkeket. A magyarázatok átadják a cikkek lényegét anélkül, hogy elhanyagolnák a matematikát vagy eltévednénk három fenyőben. Yannick megosztja véleményét arról is, hogy a tanulmányok hogyan illeszkednek egymáshoz, mennyire kell komolyan venni az eredményeket, tágabb értelmezéseket stb. A kezdők (vagy nem akadémikusok) nehezebben jutnak el ezekre a felfedezésekre önállóan.
Saját szavaikkal élve:
A gépi tanulási kutatásnak világosnak, dinamikusnak és élénknek kell lennie. A Distill pedig azért jött létre, hogy segítse a kutatást.
A Distill egy egyedülálló gépi tanulási kutatási kiadvány. A cikkeket lenyűgöző vizualizációkkal reklámozzák, hogy az olvasó intuitívabban megértse a témákat. A térbeli gondolkodás és a képzelet általában nagyon jól működik a gépi tanulás és az adattudomány témaköreinek megértésében. A hagyományos publikációs formátumok viszont általában merevek szerkezetükben, statikusak és szárazak, és néha . Chris Olah, a Distill társalkotója egy csodálatos személyes blogot is tart fenn a címen . Hosszú ideig nem frissítették, de továbbra is a valaha írt legjobb mély tanulási magyarázatok gyűjteménye maradt. Nekem különösen sokat segített LSTM!
Sebastian Ruder nagyon informatív blogot és hírlevelet ír, elsősorban a neurális hálózatok és a természetes nyelvi szövegelemzés metszéspontjáról. Emellett sok tanácsot ad a kutatóknak és a konferencia előadóinak, ami nagyon hasznos lehet, ha akadémikus. Sebastian cikkei inkább áttekintések formájában jelennek meg, összefoglalva és elmagyarázva az adott terület kutatásának és módszereinek legkorszerűbb állását. Ez azt jelenti, hogy a cikkek rendkívül hasznosak azok számára, akik gyorsan szeretnének tájékozódni. Sebastian is beleír .
Andrei Karpaty nem szorul bemutatásra. Amellett, hogy a föld egyik leghíresebb mélytanulás-kutatója, olyan széles körben használt eszközöket hoz létre, mint pl mellékprojektekként. Stanfordi kurzusa révén számtalan ember lépett be ebbe a birodalomba. , és hasznos lesz, ha megtudod neurális háló tréning. Megtekintését is ajánlom azokról a valódi problémákról, amelyeket a Teslának le kell küzdenie, amikor a gépi tanulást a valós világban masszívan próbálja alkalmazni. A beszéd informatív, lenyűgöző és kijózanító. Az ML-ről szóló cikkek mellett Andrey Karpaty ad a . Olvassa el Andrew-t itt: és tovább .
Az Uber mérnöki blogja valóban lenyűgöző a terjedelme és a lefedettség szélessége tekintetében, és sok témát érint, különösen . Amit különösen szeretek az Uber mérnöki kultúrájában, az az, hogy nagyon érdekesek és értékesek nyílt forráskódú, nyaktörő ütemben. Íme néhány példa:
- És a lista folytatódik és folytatódik… Le a kalappal, Uber
A vitákat félretéve, az OpenAI blog tagadhatatlanul nagyszerű. A blog időről időre olyan tartalmat és betekintést tesz közzé a mély tanulással kapcsolatban, amely csak az OpenAI méretű lehet: hipotetikus mély kettős süllyedés. Az OpenAI csapata ritkán posztol, de ezek fontos tartalmak.
A Taboola blog nem annyira ismert, mint a bejegyzésben szereplő más források, de szerintem egyedülálló – a szerzők nagyon hétköznapi, valós problémákról írnak, amikor az ML-t a termelésben próbálják alkalmazni egy "normál" vállalkozás számára: kevésbé önvezető autók és világbajnokokat nyerő RL-ügynökök, bővebben a "honnan tudhatom, hogy a modellem most hamis magabiztossággal jósol-e dolgokat?". Ezek a kérdések szinte mindenki számára relevánsak, akik a területen dolgoznak, és kevesebb sajtóvisszhangot kapnak, mint a gyakoribb mesterséges intelligencia-témák, de még mindig világszínvonalú tehetségekre van szükség ahhoz, hogy megfelelően kezeljék ezeket a kérdéseket. Szerencsére Taboola rendelkezik ezzel a tehetséggel, és hajlandó és tud is írni róla, így mások is tanulhatnak.
A Twitter mellett semmi sem jobb a Redditen, mint beleragadni a tömeg kutatásába, eszközeibe vagy bölcsességeibe.
A bejegyzések csak évente jelennek meg, de nagyon sűrűn tele vannak információval. A listán szereplő többi forráshoz képest ez a nem technológiai üzletemberek számára elérhetőbb. Amit szeretek a megbeszélésekben, az az, hogy megpróbálnak holisztikusabb képet adni arról, hogy merre halad az ipar és a kutatás, madártávlatból összekapcsolva a hardver, a kutatás, az üzleti élet és a geopolitika fejlődését. Ügyeljen arra, hogy a végén kezdje az összeférhetetlenségről szóló olvasmányt.
Podcastok
Őszintén szólva, úgy gondolom, hogy a podcastok nem alkalmasak technikai témák megismerésére. Végül is csak hangot használnak a témák magyarázatára, az adattudomány pedig nagyon vizuális terület. A podcastok általában ürügyet adnak a későbbi mélyebb felfedezésre, vagy filozófiai vitákra. Íme azonban néhány ajánlás:
- amikor a mesterséges intelligencia területén prominens kutatókkal beszélget. A Francois Chollet-vel készült epizódok kifejezetten jók!
- . Örülök, hogy hallunk az új adatinfrastruktúra-eszközökről.
Csodálatos listák
Itt kevesebbet kell figyelni, de több forrást talál, amelyek hasznosak lehetnek, ha már tudja, mit keres:
Matty gyönyörű, kreatív módszereket talál a neurális hálózatok használatára, és nagyon szórakoztató látni az eredményeit a Twitter-hírcsatornáján. Vessen egy pillantást legalább elhelyezhet.
Ori csak egy hajtógép . Sokat ír az adattudósok problémáiról és megoldásairól. Feltétlenül iratkozzon fel, hogy értesítést kapjon, amikor egy cikk megjelenik. Övé különösen igazán lenyűgöző.
Társalapítója a fast.ainak, amely a kreativitás és a termelékenység átfogó forrása.
Hamel Hussain, a Github ML mérnöke azon dolgozik, hogy számos eszközt készítsen és készítsen jelentéseket a kódolók számára az adattartományban.
A Keras alkotója, most frissítsük az intelligencia fogalmával kapcsolatos ismereteinket, és hogyan tesztelhetjük azt.
A Google Brain kutatója.
Következtetés
Az eredeti bejegyzés frissíthető, mivel a szerző nagyszerű tartalomforrásokat talál, amelyeket kár lenne nem felvenni a listára. Nyugodtan vedd fel vele a kapcsolatot ha valami új forrást szeretnél ajánlani! És a DAGsHub is Ügyvéd [kb. ford. Public Practitioner] a Data Science területén, tehát ha saját Data Science tartalmat hoz létre, írjon bátran a bejegyzés szerzőjének.
Fejlesztéshez olvassa el az ajánlott forrásokat és a promóciós kódot GYERTYÁNFÉNY, a banneren feltüntetett kedvezményhez további 10%-ot kaphat.
További tanfolyamok
Kiemelt cikkek
Forrás: will.com