🥇អ្វីដែលត្រូវអានសម្រាប់អ្នកវិទ្យាសាស្ត្រទិន្នន័យនៅឆ្នាំ ២០២០

នៅក្នុងការបង្ហោះនេះ យើងចែករំលែកជាមួយអ្នកនូវការជ្រើសរើសប្រភពនៃព័ត៌មានមានប្រយោជន៍អំពី Data Science ពីសហស្ថាបនិក និង CTO នៃ DAGsHub ដែលជាសហគមន៍ និងវេទិកាបណ្តាញសម្រាប់ការគ្រប់គ្រងកំណែទិន្នន័យ និងការសហការរវាងអ្នកវិទ្យាសាស្ត្រទិន្នន័យ និងវិស្វករសិក្សាម៉ាស៊ីន។ ការជ្រើសរើសរួមមានប្រភពផ្សេងៗគ្នា ចាប់ពីគណនី Twitter រហូតដល់ប្លុកវិស្វកម្មពេញលេញ ដែលមានគោលបំណងសម្រាប់អ្នកដែលដឹងច្បាស់ពីអ្វីដែលពួកគេកំពុងស្វែងរក។ ព័ត៌មានលម្អិតនៅក្រោមការកាត់។

ពីអ្នកនិពន្ធ៖
អ្នកជាអ្វីដែលអ្នកញ៉ាំ ហើយក្នុងនាមជាបុគ្គលិកចំណេះដឹង អ្នកត្រូវការរបបអាហារព័ត៌មានល្អ។ ខ្ញុំចង់ចែករំលែកប្រភពព័ត៌មានអំពី Data Science, Artificial Intelligence និងបច្ចេកវិទ្យាដែលពាក់ព័ន្ធ ដែលខ្ញុំយល់ថាមានប្រយោជន៍ ឬទាក់ទាញបំផុត។ ខ្ញុំសង្ឃឹមថាវាជួយអ្នកផងដែរ!

ក្រដាសពីរនាទី

ប៉ុស្តិ៍ YouTube ដែលស័ក្តិសមក្នុងការតាមដានព្រឹត្តិការណ៍ថ្មីៗបំផុត។ ប៉ុស្តិ៍នេះត្រូវបានធ្វើបច្ចុប្បន្នភាពជាញឹកញាប់ ហើយអ្នករៀបចំមានភាពរីករាយ និងវិជ្ជមានចំពោះប្រធានបទទាំងអស់ដែលគ្របដណ្តប់។ រំពឹងលើការគ្របដណ្តប់នៃការងារដែលគួរឱ្យចាប់អារម្មណ៍មិនត្រឹមតែលើ AI ប៉ុណ្ណោះទេ ប៉ុន្តែថែមទាំងលើក្រាហ្វិកកុំព្យូទ័រ និងប្រធានបទដែលគួរឱ្យចាប់អារម្មណ៍ផ្សេងទៀតផងដែរ។

លោក Yannick Kilcher

នៅលើប៉ុស្តិ៍ YouTube របស់គាត់ Yannick ពន្យល់ពីការស្រាវជ្រាវសំខាន់ៗក្នុងការរៀនសូត្រស៊ីជម្រៅក្នុងលក្ខណៈបច្ចេកទេសលម្អិត។ ជំនួសឱ្យការអានការសិក្សាដោយខ្លួនឯង វាច្រើនតែលឿន និងងាយស្រួលជាងមុនក្នុងការមើលវីដេអូមួយរបស់វា ដើម្បីទទួលបានការយល់ដឹងកាន់តែស៊ីជម្រៅអំពីអត្ថបទសំខាន់ៗ។ ការពន្យល់បង្ហាញពីខ្លឹមសារនៃអត្ថបទដោយមិនធ្វេសប្រហែសគណិតវិទ្យា ឬបាត់បង់ស្រល់បី។ Yannick ក៏ចែករំលែកទស្សនៈរបស់គាត់អំពីរបៀបដែលការសិក្សាត្រូវគ្នា របៀបយកលទ្ធផលឱ្យបានច្បាស់លាស់ ការបកស្រាយទូលំទូលាយ និងច្រើនទៀត។ វាពិបាកជាងសម្រាប់អ្នកទើបនឹងកើត (ឬអ្នកមិនសិក្សា) ដើម្បីមករកការរកឃើញទាំងនេះដោយខ្លួនឯង។

Distill.pub

នៅក្នុងពាក្យរបស់ពួកគេផ្ទាល់:

ការសិក្សាស្រាវជ្រាវដោយម៉ាស៊ីនត្រូវតែមានភាពច្បាស់លាស់ ថាមវន្ត និងរស់រវើក។ ហើយ Distill ត្រូវបានបង្កើតឡើងដើម្បីជួយក្នុងការស្រាវជ្រាវ។

Distill គឺជាការបោះពុម្ភផ្សាយតែមួយគត់ជាមួយនឹងការស្រាវជ្រាវនៅក្នុងវិស័យនៃការរៀនម៉ាស៊ីន។ អត្ថបទដែលមានការមើលឃើញគួរឱ្យភ្ញាក់ផ្អើលត្រូវបានផ្សព្វផ្សាយដើម្បីផ្តល់ឱ្យអ្នកអាននូវការយល់ដឹងកាន់តែច្បាស់អំពីប្រធានបទ។ ការគិតតាមលំហ និងការស្រមើលស្រមៃមានទំនោរធ្វើការបានយ៉ាងល្អក្នុងការជួយឱ្យយល់ពីប្រធានបទ Machine Learning និង Data Science។ ម្យ៉ាងវិញទៀត ទម្រង់នៃការបោះពុម្ពផ្សាយបែបប្រពៃណី មានទំនោរទៅរឹងនៅក្នុងរចនាសម្ព័ន្ធរបស់វា ឋិតិវន្ត និងស្ងួត ហើយជួនកាល "គណិតវិទ្យា". Chris Olah ដែលជាអ្នកបង្កើត Distill ម្នាក់ក៏មានប្លក់ផ្ទាល់ខ្លួនដ៏អស្ចារ្យនៅ GitHub. វាមិនត្រូវបានអាប់ដេតមួយរយៈនោះទេ ប៉ុន្តែវានៅតែជាបណ្តុំនៃការពន្យល់ដ៏ល្អបំផុតលើប្រធានបទនៃការរៀនសូត្រស៊ីជម្រៅដែលមិនធ្លាប់បានសរសេរ។ ជាពិសេសវាបានជួយខ្ញុំយ៉ាងច្រើន ការពិពណ៌នា LSTM!

ប្រភព

Sebastian Ruder

Sebastian Ruder សរសេរប្លក់ និងព្រឹត្តិបត្រដែលយល់ច្បាស់បំផុត ជាចម្បងអំពីចំនុចប្រសព្វនៃបណ្តាញសរសៃប្រសាទ និងការជីកយកអត្ថបទភាសាធម្មជាតិ។ គាត់ក៏មានដំបូន្មានជាច្រើនសម្រាប់អ្នកស្រាវជ្រាវ និងវាគ្មិនក្នុងសន្និសីទផងដែរ ដែលអាចមានប្រយោជន៍ខ្លាំងប្រសិនបើអ្នកកំពុងសិក្សា។ អត្ថបទរបស់ Sebastian ជាធម្មតាយកទម្រង់នៃការពិនិត្យឡើងវិញ សង្ខេប និងពន្យល់ពីស្ថានភាពនៃការស្រាវជ្រាវបច្ចុប្បន្ន និងវិធីសាស្រ្តក្នុងវិស័យជាក់លាក់មួយ។ នេះមានន័យថាអត្ថបទមានប្រយោជន៍ខ្លាំងណាស់សម្រាប់អ្នកប្រកបរបរដែលចង់ទទួលបានភាពរហ័សរហួន។ Sebastian ក៏សរសេរផងដែរ។ Twitter.

Andrey Karpathy

Andrei Karpathy មិនត្រូវការការណែនាំទេ។ បន្ថែមពីលើការក្លាយជាអ្នកស្រាវជ្រាវសិក្សាជ្រៅជ្រះដ៏ល្បីល្បាញបំផុតនៅលើផែនដី គាត់បង្កើតឧបករណ៍ប្រើប្រាស់យ៉ាងទូលំទូលាយ ឧ. arxiv អ្នកការពារអនាម័យ ជាគម្រោងចំហៀង។ មនុស្សរាប់មិនអស់បានចូលក្នុងវិស័យនេះតាមរយៈវគ្គសិក្សា Stanford របស់គាត់។ cs231nហើយវានឹងមានប្រយោជន៍សម្រាប់អ្នកដើម្បីដឹងវា។ រូបមន្ត ការបណ្តុះបណ្តាលបណ្តាញសរសៃប្រសាទ។ ខ្ញុំក៏សូមណែនាំឱ្យមើលវាដែរ។ សុន្ទរកថា អំពីបញ្ហាប្រឈមក្នុងពិភពពិត Tesla ត្រូវតែជម្នះនៅពេលព្យាយាមអនុវត្តការរៀនម៉ាស៊ីននៅលើមាត្រដ្ឋានដ៏ធំនៅក្នុងពិភពពិត។ សុន្ទរកថាគឺផ្តល់ព័ត៌មានគួរឱ្យចាប់អារម្មណ៍និងមានប្រាជ្ញា។ បន្ថែមពីលើអត្ថបទអំពី ML ខ្លួនវា Andrei Karpathy ផ្តល់ឱ្យ ដំបូន្មានជីវិតល្អ។ សម្រាប់ អ្នកវិទ្យាសាស្ត្រដែលមានមហិច្ឆតា. អាន Andrey ចូល Twitter និងនៅលើ Github.

វិស្វកម្ម Uber

ប្លុកវិស្វកម្ម Uber ពិតជាគួរអោយចាប់អារម្មណ៍នៅក្នុងទំហំ និងវិសាលភាពនៃការគ្របដណ្តប់របស់វា គ្របដណ្តប់លើប្រធានបទជាច្រើន ជាពិសេស ភាពវៃឆ្លាតសិប្បនិម្មិត. អ្វីដែលខ្ញុំចូលចិត្តជាពិសេសអំពីវប្បធម៌វិស្វកម្មរបស់ Uber គឺទំនោររបស់ពួកគេក្នុងការផលិតគួរឱ្យចាប់អារម្មណ៍ និងមានតម្លៃ គម្រោង ប្រភពបើកចំហក្នុងល្បឿនបំបែក។ នេះគឺជាឧទាហរណ៍មួយចំនួន៖

លូដវីក
h3
ប្រតិកម្ម-vis
អេសឌីប៊ី
ហើយបញ្ជីបន្តបន្តទៀត... បិទ Uber

ប្លុក OpenAI

ភាពចម្រូងចម្រាសមួយឡែក ប្លុករបស់ OpenAI គឺអស្ចារ្យមិនអាចប្រកែកបាន។ ពីពេលមួយទៅពេលមួយ ប្លក់បង្ហោះខ្លឹមសារ និងគំនិតអំពីការរៀនសូត្រជ្រៅជ្រះ ដែលអាចមកត្រឹមកម្រិត OpenAI: សម្មតិកម្ម។ បាតុភូត ការចុះចូលទ្វេដងជ្រៅ។ ក្រុម OpenAI មានទំនោរក្នុងការបង្ហោះជាញឹកញាប់ ប៉ុន្តែនេះគឺជារឿងសំខាន់។

ប្រភព

ប្លុក Taboola

ប្លុក Taboola មិនត្រូវបានគេស្គាល់ច្បាស់ដូចប្រភពមួយចំនួនផ្សេងទៀតនៅក្នុងប្រកាសនេះទេ ប៉ុន្តែខ្ញុំគិតថាវាប្លែកពីគេ - អ្នកនិពន្ធសរសេរអំពីបញ្ហាជីវិតពិតដែលខុសពីធម្មតា នៅពេលព្យាយាមអនុវត្ត ML ក្នុងការផលិតសម្រាប់ "ធម្មតា " អាជីវកម្ម៖ តិចអំពីរថយន្តបើកបរដោយខ្លួនឯង និងភ្នាក់ងារ RL ដែលឈ្នះជើងឯកពិភពលោក បន្ថែមទៀតអំពី "តើខ្ញុំដឹងដោយរបៀបណាថាគំរូរបស់ខ្ញុំឥឡូវនេះកំពុងទស្សន៍ទាយអ្វីៗដោយទំនុកចិត្តមិនពិត?" បញ្ហាទាំងនេះពាក់ព័ន្ធនឹងស្ទើរតែគ្រប់គ្នាដែលធ្វើការក្នុងវិស័យនេះ ហើយពួកគេទទួលបានព័ត៌មានតិចជាងប្រធានបទ AI ទូទៅ ប៉ុន្តែវានៅតែត្រូវការទេពកោសល្យលំដាប់ពិភពលោកដើម្បីដោះស្រាយបញ្ហាទាំងនេះឱ្យបានត្រឹមត្រូវ។ ជាសំណាងល្អ Taboola មានទាំងទេពកោសល្យនេះ ទាំងឆន្ទៈ និងសមត្ថភាពក្នុងការសរសេរអំពីវា ដូច្នេះអ្នកផ្សេងទៀតអាចរៀនផងដែរ។

រួមជាមួយនឹង Twitter គ្មានអ្វីល្អជាងនៅលើ Reddit ជាងការទទួលបានការស្រាវជ្រាវ ឧបករណ៍ ឬប្រាជ្ញារបស់ហ្វូងមនុស្សនោះទេ។

ស្ថានភាព AI

ប្រកាសត្រូវបានបោះពុម្ពផ្សាយតែមួយឆ្នាំប៉ុណ្ណោះ ប៉ុន្តែត្រូវបានបំពេញដោយព័ត៌មានក្រាស់ក្រែល។ បើប្រៀបធៀបទៅនឹងប្រភពផ្សេងទៀតនៅក្នុងបញ្ជីនេះ គេហទំព័រមួយនេះអាចចូលប្រើបានច្រើនជាងសម្រាប់អ្នកជំនួញដែលមិនមានបច្ចេកវិទ្យា។ អ្វីដែលខ្ញុំចូលចិត្តអំពីការពិភាក្សានោះគឺថា វាព្យាយាមផ្តល់នូវទិដ្ឋភាពរួមបន្ថែមទៀតអំពីកន្លែងដែលឧស្សាហកម្មនិងការស្រាវជ្រាវត្រូវបានដឹកនាំ ដោយភ្ជាប់ការជឿនលឿនខាងផ្នែករឹង ការស្រាវជ្រាវ អាជីវកម្ម និងសូម្បីតែភូមិសាស្ត្រនយោបាយតាមទិដ្ឋភាពបក្សី។ ត្រូវប្រាកដថាចាប់ផ្តើមនៅចុងបញ្ចប់ដើម្បីអានអំពីទំនាស់ផលប្រយោជន៍។

ផតខាស់

និយាយឱ្យត្រង់ទៅ ខ្ញុំគិតថាផតខាសមិនសមនឹងការស្វែងរកប្រធានបទបច្ចេកទេសទេ។ យ៉ាងណាមិញ ពួកគេប្រើតែសំឡេងដើម្បីពន្យល់ប្រធានបទ ហើយវិទ្យាសាស្ត្រទិន្នន័យគឺជាវិស័យដែលមើលឃើញយ៉ាងខ្លាំង។ ផតខាស់មានទំនោរផ្តល់ឱ្យអ្នកនូវលេសដើម្បីធ្វើការស្រាវជ្រាវស៊ីជម្រៅបន្ថែមទៀតនៅពេលក្រោយ ឬមានការពិភាក្សាទស្សនវិជ្ជាគួរឱ្យចាប់អារម្មណ៍មួយចំនួន។ ទោះយ៉ាងណាក៏ដោយ នេះគឺជាការណែនាំមួយចំនួន៖

ផតខាស់ Lex Friedmanដូចដែលគាត់និយាយជាមួយអ្នកស្រាវជ្រាវលេចធ្លោក្នុងវិស័យបញ្ញាសិប្បនិមិត្ត។ វគ្គជាមួយ Francois Chollet គឺល្អជាពិសេស!
ផតឃែស្ថវិស្វកម្មទិន្នន័យ. ល្អណាស់ក្នុងការស្តាប់អំពីឧបករណ៍ហេដ្ឋារចនាសម្ព័ន្ធទិន្នន័យថ្មី។

បញ្ជីដ៏អស្ចារ្យ

មានតិចក្នុងការតាមដាននៅទីនេះ ប៉ុន្តែធនធានជាច្រើនទៀតដែលមានប្រយោជន៍នៅពេលអ្នកដឹងពីអ្វីដែលអ្នកកំពុងស្វែងរក៖

Twitter

Matty Marianski
Matty រកឃើញវិធីដ៏ស្រស់ស្អាត និងប្រកបដោយភាពច្នៃប្រឌិតក្នុងការប្រើប្រាស់បណ្តាញសរសៃប្រសាទ ហើយវាគ្រាន់តែជាការរីករាយក្នុងការមើលលទ្ធផលរបស់គាត់នៅលើមតិព័ត៌មាន Twitter របស់អ្នក។ យ៉ាងហោចណាស់សូមមើល នេះ លឿន។
អូរី ខូហេន
អូរីគ្រាន់តែជាម៉ាស៊ីនបើកបរប៉ុណ្ណោះ។ ប្លុក. គាត់សរសេរយ៉ាងទូលំទូលាយអំពីបញ្ហា និងដំណោះស្រាយសម្រាប់អ្នកវិទ្យាសាស្ត្រទិន្នន័យ។ ត្រូវប្រាកដថាជាវ ដើម្បីទទួលបានការជូនដំណឹងនៅពេលអត្ថបទមួយត្រូវបានបោះពុម្ព។ របស់គាត់។ ការចងក្រងជាពិសេសគឺពិតជាគួរអោយចាប់អារម្មណ៍ណាស់។
លោក Jeremy Howard
សហស្ថាបនិកនៃ fast.ai ដែលជាប្រភពដ៏ទូលំទូលាយនៃការច្នៃប្រឌិត និងផលិតភាព។
Hamel Hussein
បុគ្គលិកវិស្វករ ML នៅ Github លោក Hamel Hussain កំពុងមមាញឹកក្នុងការងារបង្កើត និងរាយការណ៍អំពីឧបករណ៍ជាច្រើនសម្រាប់អ្នកសរសេរកូដទិន្នន័យ។
លោក Francois Chollet
អ្នកបង្កើត Keras ឥឡូវនេះ ព្យាយាម ធ្វើបច្ចុប្បន្នភាពការយល់ដឹងរបស់យើងអំពីអ្វីដែលឆ្លាតវៃ និងរបៀបសាកល្បងវា។
ហាដម៉ារូ
អ្នកស្រាវជ្រាវនៅ Google Brain ។

សេចក្តីសន្និដ្ឋាន

អត្ថបទដើមអាចត្រូវបានអាប់ដេត ដោយសារអ្នកនិពន្ធរកឃើញប្រភពនៃខ្លឹមសារដ៏អស្ចារ្យ ដែលវាជាការអាម៉ាស់ដែលមិនដាក់បញ្ចូលក្នុងបញ្ជី។ មានអារម្មណ៍សេរីដើម្បីទាក់ទងគាត់នៅ Twitter, បើចង់ណែនាំប្រភពថ្មី! និង DAGsHub ផងដែរ។ ជួល មេធាវី [ប្រហែល។ ការបកប្រែ public practitioner] នៅក្នុង Data Science ដូច្នេះប្រសិនបើអ្នកបង្កើតខ្លឹមសារ Data Science ផ្ទាល់ខ្លួនរបស់អ្នក សូមសរសេរទៅកាន់អ្នកនិពន្ធនៃប្រកាសនេះ។

អភិវឌ្ឍខ្លួនអ្នកដោយការអានប្រភពដែលបានណែនាំ និងប្រើប្រាស់លេខកូដផ្សព្វផ្សាយ HABRអ្នកអាចទទួលបានការបញ្ចុះតម្លៃ 10% បន្ថែមលើផ្ទាំងបដា។