An dësem Post deele mir mat Iech eng Auswiel vu Quelle vun nëtzlechen Informatioun iwwer Data Science vum Matgrënner an CTO vun DAGsHub, eng Gemeinschaft a Webplattform fir Datenversiounskontroll an Zesummenaarbecht tëscht Datewëssenschaftler a Maschinnléieringenieuren. D'Auswiel enthält eng Vielfalt vu Quellen, vun Twitter Konten bis vollwäerteg Ingenieursbloggen, déi u Leit riichten, déi genee wësse wat se sichen. Detailer ënner dem Schnëtt.
Vum Auteur:
Dir sidd wat Dir iesst, an als Wëssen Aarbechter braucht Dir eng gutt Informatiounen Ernährung. Ech wëll Informatiounsquellen iwwer Data Science, Kënschtlech Intelligenz a verbonne Technologien deelen, déi ech am nëtzlechsten oder attraktivsten fannen. Ech hoffen dat hëlleft Iech och!
E YouTube-Kanal dee gutt gëeegent ass fir mat den leschten Eventer ze halen. De Kanal gëtt dacks aktualiséiert an den Host huet eng ustiechend Begeeschterung a Positivitéit fir all Themen déi ofgedeckt sinn. Erwaart Ofdeckung vun interessanten Aarbechten net nëmmen op AI, awer och iwwer Computergrafiken an aner visuell attraktiv Themen.
Op sengem YouTube Kanal erkläert de Yannick bedeitend Fuerschung am Deep Learning am techneschen Detail. Amplaz d'Etude selwer ze liesen, ass et dacks méi séier a méi einfach ee vu senge Videoen ze kucken fir e méi déif Verständnis vun de wichtegen Artikelen ze kréien. D'Erklärungen vermëttelen d'Essenz vun den Artikelen ouni Mathematik ze vernoléissegen oder an dräi Pinien ze verléieren. De Yannick deelt och seng Meenung iwwer wéi d'Studien zesumme passen, wéi eescht d'Resultater huelen, méi breet Interpretatiounen a méi. Et ass méi schwéier fir Ufänger (oder net-akademesch Praktiker) eleng op dës Entdeckungen ze kommen.
An hiren eegene Wierder:
Maschinn Léieren Fuerschung muss kloer, dynamesch a vibrant sinn. An Distill gouf geschaf fir mat der Fuerschung ze hëllefen.
Distill ass eng eenzegaarteg Verëffentlechung mat Fuerschung am Feld vum Maschinnléieren. Artikele mat beandrockende Visualiséierunge ginn gefördert fir de Lieser e méi intuitivt Verständnis vun den Themen ze ginn. Raimlech Denken a Phantasie tendéieren ganz gutt ze schaffen fir ze hëllefen Machine Learning an Data Science Themen ze verstoen. Traditionell Verëffentlechungsformater, op der anerer Säit, tendéieren steif an hirer Struktur, statesch an dréchen, an heiansdo . Chris Olah, ee vun de Schëpfer vun Distill, huet och en erstaunleche perséinleche Blog bei . Et ass zënter enger Zäit net aktualiséiert ginn, awer et bleift nach ëmmer eng Sammlung vun de beschten Erklärungen zum Thema Deep Learning, déi jeemools geschriwwe goufen. Besonnesch huet et mir vill gehollef LSTM!
Sebastian Ruder schreift e ganz Asiicht Blog an Newsletter, virun allem iwwer d'Kräizung vun neurale Netzwierker an natierlech Sprooch Text Mining. Hien huet och vill Rotschléi fir Fuerscher a Konferenzspeaker, déi ganz hëllefräich kënne sinn wann Dir an der Akademie sidd. Dem Sebastian seng Artikelen huelen normalerweis d'Form vu Rezensiounen, zesummefaassend an erklären den Zoustand vun der aktueller Fuerschung a Methoden an engem bestëmmte Beräich. Dëst bedeit datt d'Artikelen extrem nëtzlech sinn fir Praktiker, déi séier hir Lager wëllen kréien. De Sebastian schreift och an .
Andrei Karpathy brauch keng Aféierung. Nieft engem vun de bekanntste Deep Learning Fuerscher op der Äerd ze sinn, kreéiert hien vill benotzt Tools, z.B. als Säit Projeten. Eng Onmass Leit sinn duerch säi Stanford Cours an dësem Beräich agaangen , an et wäert nëtzlech sinn fir Iech et ze wëssen neural Netzwierk Training. Ech recommandéieren et och ze kucken iwwer déi real Welt Erausfuerderunge muss Tesla iwwerwannen wann se probéiert Maschinn Léieren op enger Masseskala an der realer Welt anzesetzen. D'Ried ass informativ, beandrockend an nüchtern. Zousätzlech zu Artikelen iwwer ML selwer, gëtt Andrei Karpathy fir . Liest den Andrey an an un .
Den Uber Engineering Blog ass wierklech beandrockend a senger Skala an der Breet vun der Ofdeckung, deckt vill Themen, besonnesch . Wat ech besonnesch un der Uber Ingenieurskultur gär hunn ass hir Tendenz ganz interessant a wäertvoll ze produzéieren Open Source an engem breakneck Tempo. Hei sinn e puer Beispiller:
- An d'Lëscht geet weider a weider ... Hutt of, Uber
Controversies ofgesinn, dem OpenAI säi Blog ass onweigerlech wonnerbar. Vun Zäit zu Zäit postt de Blog Inhalt an Iddien iwwer déif Léieren déi nëmmen op der Skala vun OpenAI kommen: Hypothetesch déif duebel Ofstamung. D'OpenAI Team tendéiert selten ze posten, awer dëst ass wichteg Saachen.
Den Taboola Blog ass net sou bekannt wéi e puer vun den anere Quellen an dësem Post, awer ech mengen et ass eenzegaarteg - d'Auteuren schreiwen iwwer ganz down-to-earth, real-life Problemer wann se probéieren ML an der Fabrikatioun fir "normal" anzesetzen " Entreprisen: manner iwwer selbstfahrend Autoen an RL Agenten déi Weltmeeschter gewannen, méi iwwer "wéi weess ech datt mäi Modell elo Saachen mat falschem Vertrauen virausgesot?" Dës Probleemer si relevant fir bal jiddereen deen am Feld schafft, a si kréien manner Pressebedeckung wéi méi heefeg AI Themen, awer et brauch nach ëmmer Weltklass Talent fir dës Probleemer richteg ze léisen. Glécklecherweis huet Taboola souwuel dëst Talent wéi och de Wëllen an d'Fäegkeet doriwwer ze schreiwen fir datt aner Leit och kënne léieren.
Zesumme mat Twitter gëtt et näischt Besseres op Reddit wéi d'Fuerschung, Tools oder d'Wäisheet vun de Leit ugeschloss ze ginn.
Posts ginn nëmmen jäerlech publizéiert, awer si mat ganz dichten Informatioun gefëllt. Am Verglach mat anere Quellen op dëser Lëscht ass dës méi zougänglech fir net-tech Geschäftsleit. Wat ech gär iwwer d'Gespréicher ass datt et probéiert eng méi holistesch Vue ze bidden vu wou d'Industrie an d'Fuerschung higinn, an d'Fortschrëtter an der Hardware, der Fuerschung, dem Geschäft, a souguer d'Geopolitik aus engem Vugel Bléck. Gitt sécher um Enn unzefänken fir iwwer Interessekonflikter ze liesen.
Podcasts
Éierlech gesot, ech mengen datt Podcasts schlecht passend sinn fir technesch Themen ze entdecken. No allem benotze se nëmmen Audio fir Themen z'erklären, an Datewëssenschaft ass e ganz visuellt Feld. Podcasts tendéieren Iech eng Excuse fir méi spéit méi déif Fuerschung ze maachen oder e puer faszinéierend philosophesch Diskussiounen ze hunn. Wéi och ëmmer, hei sinn e puer Empfehlungen:
- , wéi hie mat prominente Fuerscher am Beräich vun der kënschtlecher Intelligenz schwätzt. Besonnesch gutt sinn d'Episoden mam Francois Chollet!
- . Gutt iwwer nei Dateninfrastruktur Tools ze héieren.
Fantastesch Lëschten
Et gëtt manner hei ze verfollegen, awer méi Ressourcen déi nëtzlech sinn wann Dir wësst wat Dir sicht:
De Matty fënnt schéin, kreativ Weeër fir neural Netzwierker ze benotzen, an et ass einfach Spaass seng Resultater op Ärem Twitter Feed ze gesinn. Op d'mannst e Bléck op Post.
Ori ass just eng dreiwend Maschinn . Hie schreift extensiv iwwer Probleemer a Léisunge fir Datewëssenschaftler. Gitt sécher ze abonnéieren fir matgedeelt ze ginn wann en Artikel publizéiert gëtt. Sengem , besonnesch, ass wierklech beandrockend.
Matgrënner vu fast.ai, eng ëmfaassend Quell vu Kreativitéit a Produktivitéit.
E Staff ML Ingenieur bei Github, Hamel Hussain ass beschäftegt op der Aarbecht ze kreéieren a berichten iwwer vill Tools fir Datecoder.
Schëpfer vu Keras, elo Update eist Verständnis vu wat Intelligenz ass a wéi se testen.
Fuerschung Wëssenschaftler bei Google Brain.
Konklusioun
Den urspréngleche Post kann aktualiséiert ginn well den Auteur super Inhaltsquellen fënnt, déi et schued wier net an der Lëscht opzehuelen. Mellt Iech gären mat him um , wann Dir wëllt eng nei Quell ze recommandéieren! An och DAGsHub Affekot [ca. Iwwersetzung ëffentlechen Praktiker] an Data Science, also wann Dir Ären eegene Data Science Inhalt erstellt, fillt Iech gratis un den Auteur vum Post ze schreiwen.
Entwéckelt Iech selwer andeems Dir recommandéiert Quellen liest an de Promotiounscode benotzt HABR, Dir kënnt zousätzlech 10% op d'Remise kréien, déi op de Banner uginn ass.
Méi Coursen
Featured Artikelen
Source: will.com