ສິ່ງທີ່ຈະອ່ານເປັນນັກວິທະຍາສາດຂໍ້ມູນໃນປີ 2020

ໃນບົດຂຽນນີ້, ພວກເຮົາແບ່ງປັນໃຫ້ທ່ານເລືອກແຫຼ່ງຂໍ້ມູນທີ່ເປັນປະໂຫຍດກ່ຽວກັບ Data Science ຈາກຜູ້ຮ່ວມກໍ່ຕັ້ງແລະ CTO ຂອງ DAGsHub, ຊຸມຊົນແລະເວທີເວັບໄຊຕ໌ສໍາລັບການຄວບຄຸມສະບັບຂໍ້ມູນແລະການຮ່ວມມືລະຫວ່າງນັກວິທະຍາສາດຂໍ້ມູນແລະວິສະວະກອນການຮຽນຮູ້ເຄື່ອງຈັກ. ການຄັດເລືອກປະກອບມີແຫຼ່ງຕ່າງໆ, ຈາກບັນຊີ Twitter ໄປຫາ blogs ດ້ານວິສະວະກໍາເຕັມຮູບແບບ, ເຊິ່ງມີຈຸດປະສົງໃຫ້ຜູ້ທີ່ຮູ້ແທ້ໆວ່າພວກເຂົາກໍາລັງຊອກຫາຫຍັງ. ລາຍລະອຽດພາຍໃຕ້ການຕັດ.

ຈາກຜູ້ຂຽນ:
ເຈົ້າເປັນສິ່ງທີ່ທ່ານກິນ, ແລະເປັນພະນັກງານຄວາມຮູ້, ທ່ານຕ້ອງການອາຫານຂໍ້ມູນຂ່າວສານທີ່ດີ. ຂ້ອຍຕ້ອງການແບ່ງປັນແຫຼ່ງຂໍ້ມູນກ່ຽວກັບ Data Science, Artificial Intelligence ແລະເຕັກໂນໂລຢີທີ່ກ່ຽວຂ້ອງທີ່ຂ້ອຍເຫັນວ່າເປັນປະໂຫຍດຫຼືຫນ້າສົນໃຈທີ່ສຸດ. ຂ້ອຍຫວັງວ່າສິ່ງນີ້ຈະຊ່ວຍເຈົ້າຄືກັນ!

ເອກະສານສອງນາທີ

ຊ່ອງ YouTube ທີ່ເໝາະສົມເພື່ອຕິດຕາມເຫດການຫຼ້າສຸດ. ຊ່ອງທາງໄດ້ຖືກປັບປຸງເລື້ອຍໆແລະເຈົ້າພາບມີຄວາມກະຕືລືລົ້ນທີ່ຕິດເຊື້ອແລະໃນທາງບວກສໍາລັບຫົວຂໍ້ທັງຫມົດທີ່ກວມເອົາ. ຄາດຫວັງວ່າການຄຸ້ມຄອງວຽກງານທີ່ຫນ້າສົນໃຈບໍ່ພຽງແຕ່ກ່ຽວກັບ AI, ແຕ່ຍັງກ່ຽວກັບຮູບພາບຄອມພິວເຕີແລະຫົວຂໍ້ອື່ນໆທີ່ດຶງດູດສາຍຕາ.

Yannick Kilcher

ໃນຊ່ອງ YouTube ຂອງລາວ, Yannick ອະທິບາຍການຄົ້ນຄວ້າທີ່ສໍາຄັນໃນການຮຽນຮູ້ເລິກໃນລາຍລະອຽດດ້ານວິຊາການ. ແທນທີ່ຈະອ່ານການສຶກສາດ້ວຍຕົນເອງ, ມັນມັກຈະໄວແລະງ່າຍຂຶ້ນໃນການເບິ່ງວິດີໂອຫນຶ່ງຂອງມັນເພື່ອໃຫ້ມີຄວາມເຂົ້າໃຈເລິກເຊິ່ງກ່ຽວກັບບົດຄວາມທີ່ສໍາຄັນ. ຄໍາອະທິບາຍໄດ້ບົ່ງບອກເຖິງຄວາມສໍາຄັນຂອງບົດຄວາມໂດຍບໍ່ມີການລະເລີຍຄະນິດສາດຫຼືໄດ້ຮັບການສູນເສຍໃນສາມແປກ. Yannick ຍັງແບ່ງປັນທັດສະນະຂອງລາວກ່ຽວກັບວິທີການສຶກສາທີ່ສອດຄ່ອງກັນ, ວິທີການເອົາຜົນໄດ້ຮັບຢ່າງຈິງຈັງ, ການຕີຄວາມກວ້າງ, ແລະອື່ນໆອີກ. ມັນເປັນການຍາກຫຼາຍສໍາລັບຈົວ (ຫຼືຜູ້ປະຕິບັດທີ່ບໍ່ແມ່ນວິຊາການ) ທີ່ຈະມາຄົ້ນພົບເຫຼົ່ານີ້ດ້ວຍຕົນເອງ.

Distill.pub

ໃນຄໍາສັບຕ່າງໆຂອງຕົນເອງ:

ການຄົ້ນຄວ້າການຮຽນຮູ້ເຄື່ອງຈັກຕ້ອງມີຄວາມຊັດເຈນ, ເຄື່ອນໄຫວ ແລະ ມີຊີວິດຊີວາ. ແລະ Distill ໄດ້ຖືກສ້າງຂຶ້ນເພື່ອຊ່ວຍໃນການຄົ້ນຄວ້າ.

Distill ເປັນສິ່ງພິມທີ່ເປັນເອກະລັກທີ່ມີການຄົ້ນຄວ້າໃນຂົງເຂດການຮຽນຮູ້ເຄື່ອງຈັກ. ບົດຄວາມທີ່ມີການສະແດງພາບທີ່ສວຍງາມແມ່ນໄດ້ຮັບການສົ່ງເສີມເພື່ອໃຫ້ຜູ້ອ່ານມີຄວາມເຂົ້າໃຈຫຼາຍກ່ຽວກັບຫົວຂໍ້. ການຄິດ ແລະຈິນຕະນາການທາງພື້ນທີ່ມີແນວໂນ້ມທີ່ຈະເຮັດວຽກໄດ້ດີຫຼາຍໃນການຊ່ວຍເຂົ້າໃຈຫົວຂໍ້ Machine Learning ແລະ Data Science. ໃນທາງກົງກັນຂ້າມ, ຮູບແບບການພິມພື້ນເມືອງແບບດັ້ງເດີມ, ມີແນວໂນ້ມທີ່ຈະເຄັ່ງຄັດໃນໂຄງສ້າງຂອງມັນ, ຄົງທີ່ແລະແຫ້ງ, ແລະບາງຄັ້ງ. "ຄະນິດສາດ". Chris Olah, ຫນຶ່ງໃນຜູ້ສ້າງຂອງ Distill, ຍັງມີ blog ສ່ວນບຸກຄົນທີ່ຫນ້າປະຫລາດໃຈທີ່ GitHub. ມັນບໍ່ໄດ້ຖືກປັບປຸງໃນໄລຍະຫນຶ່ງ, ແຕ່ມັນຍັງຄົງເປັນການເກັບກໍາຄໍາອະທິບາຍທີ່ດີທີ່ສຸດກ່ຽວກັບຫົວຂໍ້ຂອງການຮຽນຮູ້ເລິກທີ່ເຄີຍຂຽນ. ໂດຍສະເພາະ, ມັນຊ່ວຍຂ້ອຍຫຼາຍ ຄໍາອະທິບາຍ LSTM!

ແຫຼ່ງຂໍ້ມູນ

Sebastian Ruder

Sebastian Ruder ຂຽນ blog ແລະຈົດຫມາຍຂ່າວທີ່ມີຄວາມເຂົ້າໃຈຫຼາຍ, ຕົ້ນຕໍກ່ຽວກັບຈຸດຕັດກັນຂອງເຄືອຂ່າຍ neural ແລະການຂຸດຄົ້ນຂໍ້ຄວາມພາສາທໍາມະຊາດ. ລາວຍັງມີຄໍາແນະນໍາຫຼາຍຢ່າງສໍາລັບນັກຄົ້ນຄວ້າແລະລໍາໂພງກອງປະຊຸມ, ເຊິ່ງສາມາດເປັນປະໂຫຍດຫຼາຍຖ້າທ່ານຢູ່ໃນວິຊາການ. ບົດຄວາມຂອງ Sebastian ປົກກະຕິແລ້ວໃຊ້ຮູບແບບຂອງການທົບທວນຄືນ, ສະຫຼຸບແລະອະທິບາຍສະຖານະຂອງການຄົ້ນຄວ້າໃນປະຈຸບັນແລະວິທີການໃນຂົງເຂດສະເພາະໃດຫນຶ່ງ. ນີ້ຫມາຍຄວາມວ່າບົດຄວາມແມ່ນເປັນປະໂຫຍດທີ່ສຸດສໍາລັບຜູ້ປະຕິບັດທີ່ຕ້ອງການຢ່າງວ່ອງໄວໄດ້ຮັບການຮັບຜິດຊອບຂອງເຂົາເຈົ້າ. Sebastian ຍັງຂຽນໃນ Twitter.

Andrey Karpathy

Andrei Karpathy ບໍ່ຈໍາເປັນຕ້ອງມີການແນະນໍາ. ນອກເຫນືອຈາກການເປັນຫນຶ່ງໃນນັກຄົ້ນຄວ້າການຮຽນຮູ້ເລິກທີ່ມີຊື່ສຽງທີ່ສຸດໃນໂລກ, ລາວສ້າງເຄື່ອງມືທີ່ໃຊ້ຢ່າງກວ້າງຂວາງ, e.g. arxiv ຜູ້ຮັກສາສຸຂະພາບ ເປັນໂຄງການຂ້າງຄຽງ. ປະຊາຊົນນັບບໍ່ຖ້ວນໄດ້ເຂົ້າໄປໃນພາກສະຫນາມນີ້ຜ່ານຫຼັກສູດ Stanford ຂອງລາວ cs231n, ແລະມັນຈະເປັນປະໂຫຍດສໍາລັບທ່ານທີ່ຈະຮູ້ຈັກມັນ ສູດ ການຝຶກອົບຮົມເຄືອຂ່າຍ neural. ຂ້າພະເຈົ້າຍັງແນະນໍາໃຫ້ເບິ່ງມັນ ການປາກເວົ້າ ກ່ຽວກັບສິ່ງທ້າທາຍຂອງໂລກທີ່ແທ້ຈິງ Tesla ຕ້ອງເອົາຊະນະໃນເວລາທີ່ພະຍາຍາມນໍາໃຊ້ການຮຽນຮູ້ເຄື່ອງຈັກໃນລະດັບມະຫາຊົນໃນໂລກທີ່ແທ້ຈິງ. ຄຳ​ປາ​ໄສ​ແມ່ນ​ໃຫ້​ຂໍ້​ມູນ, ປະ​ທັບ​ໃຈ ​ແລະ ມີ​ສະຕິ​ປັນຍາ. ນອກເຫນືອໄປຈາກບົດຄວາມກ່ຽວກັບ ML ຕົວມັນເອງ, Andrei Karpathy ໃຫ້ ຄໍາແນະນໍາຊີວິດທີ່ດີ ການ ນັກວິທະຍາສາດທີ່ມີຄວາມທະເຍີທະຍານ. ອ່ານ Andrey ໃນ Twitter ແລະສຸດ GitHub.

ວິສະວະກໍາ Uber

blog ວິສະວະກໍາ Uber ແມ່ນປະທັບໃຈແທ້ໆໃນຂະຫນາດແລະຄວາມກວ້າງຂອງການຄຸ້ມຄອງ, ກວມເອົາຫຼາຍຫົວຂໍ້, ໂດຍສະເພາະ. ປັນຍາທຽມ. ສິ່ງທີ່ຂ້ອຍມັກໂດຍສະເພາະກ່ຽວກັບວັດທະນະທໍາວິສະວະກໍາຂອງ Uber ແມ່ນແນວໂນ້ມທີ່ຈະຜະລິດທີ່ຫນ້າສົນໃຈແລະມີຄຸນຄ່າຫຼາຍ ໂຄງການ ແຫຼ່ງເປີດຢູ່ໃນຈັງຫວະ breakneck. ນີ້ແມ່ນບາງຕົວຢ່າງ:

• ludwig
• h3
• react-vis
• aresdb
• ແລະບັນຊີລາຍຊື່ຕໍ່ໄປແລະສຸດ ... Hats off, Uber

OpenAI Blog

ການໂຕ້ຖຽງກັນ, blog ຂອງ OpenAI ແມ່ນສິ່ງມະຫັດທີ່ບໍ່ສາມາດປະຕິເສດໄດ້. ບາງຄັ້ງ, blog ໂພດເນື້ອຫາແລະແນວຄວາມຄິດກ່ຽວກັບການຮຽນຮູ້ເລິກເຊິ່ງສາມາດເຂົ້າມາໃນລະດັບ OpenAI: ສົມມຸດຕິຖານ. ປະກົດການ ການສືບເຊື້ອສາຍສອງເລິກ. ທີມງານ OpenAI ມີແນວໂນ້ມທີ່ຈະປະກາດເລື້ອຍໆ, ແຕ່ນີ້ແມ່ນສິ່ງທີ່ສໍາຄັນ.

ແຫຼ່ງຂໍ້ມູນ

ບລັອກ Taboola

ບລັອກ Taboola ບໍ່ເປັນທີ່ຮູ້ຈັກກັນດີກັບບາງແຫຼ່ງອື່ນໆໃນບົດຂຽນນີ້, ແຕ່ຂ້ອຍຄິດວ່າມັນເປັນເອກະລັກ - ຜູ້ຂຽນຂຽນກ່ຽວກັບບັນຫາຊີວິດຈິງ, ໃນໂລກເບົາຫວານໃນເວລາທີ່ພະຍາຍາມໃຊ້ ML ໃນການຜະລິດສໍາລັບ "ປົກກະຕິ. "ທຸລະກິດ: ຫນ້ອຍກ່ຽວກັບລົດທີ່ຂັບລົດດ້ວຍຕົນເອງແລະຕົວແທນ RL ຊະນະແຊ້ມໂລກ, ເພີ່ມເຕີມກ່ຽວກັບ "ຂ້ອຍຈະຮູ້ໄດ້ແນວໃດວ່າຕົວແບບຂອງຂ້ອຍກໍາລັງຄາດຄະເນສິ່ງຕ່າງໆດ້ວຍຄວາມຫມັ້ນໃຈທີ່ບໍ່ຖືກຕ້ອງ?" ບັນຫາເຫຼົ່ານີ້ແມ່ນກ່ຽວຂ້ອງກັບເກືອບທຸກຄົນທີ່ເຮັດວຽກຢູ່ໃນພາກສະຫນາມ, ແລະພວກເຂົາໄດ້ຮັບການຄຸ້ມຄອງຂ່າວຫນ້ອຍກວ່າຫົວຂໍ້ AI ທົ່ວໄປ, ແຕ່ວ່າມັນຍັງໃຊ້ພອນສະຫວັນລະດັບໂລກເພື່ອແກ້ໄຂບັນຫາເຫຼົ່ານີ້ຢ່າງຖືກຕ້ອງ. ໂຊກດີ, Taboola ມີທັງພອນສະຫວັນນີ້ແລະຄວາມເຕັມໃຈແລະຄວາມສາມາດໃນການຂຽນກ່ຽວກັບມັນເພື່ອໃຫ້ຄົນອື່ນໄດ້ຮຽນຮູ້ເຊັ່ນກັນ.

ເຫດ

ຄຽງຄູ່ກັບ Twitter, ບໍ່ມີຫຍັງທີ່ດີກວ່າໃນ Reddit ກ່ວາການຕິດພັນກັບການຄົ້ນຄວ້າ, ເຄື່ອງມື, ຫຼືປັນຍາຂອງຝູງຊົນ.

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

ສະຖານະຂອງ AI

ກະທູ້ໄດ້ຖືກຈັດພີມມາພຽງແຕ່ປະຈໍາປີ, ແຕ່ເຕັມໄປດ້ວຍຂໍ້ມູນທີ່ຫນາແຫນ້ນຫຼາຍ. ເມື່ອປຽບທຽບກັບແຫຼ່ງອື່ນໆໃນບັນຊີລາຍຊື່ນີ້, ອັນນີ້ແມ່ນສາມາດເຂົ້າເຖິງນັກທຸລະກິດທີ່ບໍ່ແມ່ນເຕັກໂນໂລຢີຫຼາຍກວ່າ. ສິ່ງທີ່ຂ້ອຍມັກກ່ຽວກັບການໂອ້ລົມແມ່ນມັນພະຍາຍາມໃຫ້ທັດສະນະລວມກ່ຽວກັບບ່ອນທີ່ອຸດສາຫະກໍາແລະການຄົ້ນຄວ້າແມ່ນມຸ່ງໄປສູ່ຄວາມກ້າວຫນ້າ, ການເຊື່ອມໂຍງຄວາມກ້າວຫນ້າໃນຮາດແວ, ການຄົ້ນຄວ້າ, ທຸລະກິດ, ແລະເຖິງແມ່ນວ່າພູມສາດທາງດ້ານການເມືອງຈາກທັດສະນະຂອງນົກ. ໃຫ້ແນ່ໃຈວ່າຈະເລີ່ມຕົ້ນໃນຕອນທ້າຍເພື່ອອ່ານກ່ຽວກັບຂໍ້ຂັດແຍ່ງຂອງຜົນປະໂຫຍດ.

Podcasts

ກົງໄປກົງມາ, ຂ້າພະເຈົ້າຄິດວ່າ podc ​​​​asts ແມ່ນບໍ່ດີພໍສໍາລັບການຂຸດຄົ້ນຫົວຂໍ້ດ້ານວິຊາການ. ຫຼັງຈາກທີ່ທັງຫມົດ, ພວກເຂົາພຽງແຕ່ໃຊ້ສຽງເພື່ອອະທິບາຍຫົວຂໍ້, ແລະວິທະຍາສາດຂໍ້ມູນແມ່ນພາກສະຫນາມທີ່ມີສາຍຕາຫຼາຍ. Podcasts ມີແນວໂນ້ມທີ່ຈະໃຫ້ຂໍ້ແກ້ຕົວແກ່ເຈົ້າເພື່ອເຮັດການຄົ້ນຄວ້າເລິກເຊິ່ງໃນພາຍຫຼັງ ຫຼືມີການສົນທະນາທາງປັດຊະຍາທີ່ໜ້າສົນໃຈ. ຢ່າງໃດກໍຕາມ, ນີ້ແມ່ນບາງຄໍາແນະນໍາ:

• ພອດແຄສ Lex Friedman, ໃນຂະນະທີ່ລາວເວົ້າກັບນັກຄົ້ນຄວ້າທີ່ມີຊື່ສຽງໃນຂົງເຂດປັນຍາປະດິດ. ຕອນທີ່ມີ Francois Chollet ແມ່ນດີໂດຍສະເພາະ!
• ພອດແຄສວິສະວະກຳຂໍ້ມູນ. ດີທີ່ຈະໄດ້ຍິນກ່ຽວກັບເຄື່ອງມືໂຄງສ້າງພື້ນຖານຂໍ້ມູນໃຫມ່.

ບັນຊີລາຍຊື່ທີ່ຫນ້າຫວາດສຽວ

ມີຫນ້ອຍທີ່ຈະຕິດຕາມຢູ່ທີ່ນີ້, ແຕ່ຊັບພະຍາກອນເພີ່ມເຕີມທີ່ເປັນປະໂຫຍດເມື່ອທ່ານຮູ້ວ່າສິ່ງທີ່ທ່ານກໍາລັງຊອກຫາ:

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

Twitter

• Matty Marianski
  Matty ຊອກຫາວິທີທີ່ສວຍງາມ, ສ້າງສັນໃນການນໍາໃຊ້ເຄືອຂ່າຍ neural, ແລະມັນເປັນພຽງແຕ່ຄວາມມ່ວນທີ່ຈະເຫັນຜົນໄດ້ຮັບຂອງລາວໃນອາຫານ Twitter ຂອງທ່ານ. ຢ່າງຫນ້ອຍໃຊ້ເວລາເບິ່ງ ນີ້ ໄວ.
• ໂອຣີ ໂຄເຮັນ
  Ori ແມ່ນພຽງແຕ່ເຄື່ອງຈັກຂັບລົດ ບລັອກ. ລາວຂຽນຢ່າງກວ້າງຂວາງກ່ຽວກັບບັນຫາແລະວິທີແກ້ໄຂສໍາລັບນັກວິທະຍາສາດຂໍ້ມູນ. ໃຫ້ແນ່ໃຈວ່າຈະຈອງທີ່ຈະໄດ້ຮັບການແຈ້ງເຕືອນເມື່ອບົດຄວາມຖືກເຜີຍແຜ່. ລາວ ການເກັບກໍາໂດຍສະເພາະ, ແມ່ນປະທັບໃຈແທ້ໆ.
• Jeremy Howard
  ຜູ້ຮ່ວມກໍ່ຕັ້ງຂອງ fast.ai, ແຫຼ່ງທີ່ສົມບູນແບບຂອງຄວາມຄິດສ້າງສັນແລະຜົນຜະລິດ.
• Hamel Hussein
  ພະນັກງານວິສະວະກອນ ML ຢູ່ Github, Hamel Hussain ຫຍຸ້ງຢູ່ກັບການເຮັດວຽກສ້າງ ແລະລາຍງານກ່ຽວກັບເຄື່ອງມືຫຼາຍຢ່າງສຳລັບຕົວລະຫັດຂໍ້ມູນ.
• Francois Chollet
  ຜູ້ສ້າງ Keras, ດຽວນີ້ ພະຍາຍາມ ປັບປຸງຄວາມເຂົ້າໃຈຂອງພວກເຮົາກ່ຽວກັບສິ່ງທີ່ສະຫລາດແລະວິທີການທົດສອບມັນ.
• ຮາດມາຣູ
  ນັກຄົ້ນຄວ້າວິທະຍາສາດຢູ່ Google Brain.

ສະຫລຸບ

ຂໍ້ຄວາມຕົ້ນສະບັບອາດຈະຖືກປັບປຸງຍ້ອນວ່າຜູ້ຂຽນຊອກຫາແຫຼ່ງເນື້ອຫາທີ່ຍິ່ງໃຫຍ່ທີ່ມັນເປັນສິ່ງທີ່ຫນ້າອັບອາຍທີ່ຈະບໍ່ລວມຢູ່ໃນບັນຊີລາຍຊື່. ຮູ້ສຶກວ່າບໍ່ເສຍຄ່າເພື່ອຕິດຕໍ່ລາວທີ່ Twitter, ຖ້າທ່ານຕ້ອງການແນະນໍາແຫຼ່ງໃຫມ່! ແລະຍັງ DAGsHub ຈ້າງ ທະນາຍຄວາມ [ປະມານ. ການແປ public practitioner] ໃນ Data Science, ດັ່ງນັ້ນຖ້າຫາກວ່າທ່ານສ້າງເນື້ອໃນວິທະຍາສາດຂໍ້ມູນຂອງທ່ານເອງ, ມີຄວາມຮູ້ສຶກບໍ່ເສຍຄ່າເພື່ອຂຽນກັບຜູ້ຂຽນຂອງໂພດໄດ້.

ພັດທະນາຕົວທ່ານເອງໂດຍການອ່ານແຫຼ່ງທີ່ແນະນໍາ, ແລະນໍາໃຊ້ລະຫັດສົ່ງເສີມການຂາຍ HABR, ທ່ານ​ສາ​ມາດ​ໄດ້​ຮັບ​ເພີ່ມ​ເຕີມ 10​% ສ່ວນ​ຫຼຸດ​ທີ່​ລະ​ບຸ​ໄວ້​ໃນ​ປ້າຍ​ໂຄ​ສະ​ນາ​.

• ວິທະຍາສາດຂໍ້ມູນອອນໄລນ໌ Bootcamp
• ການຝຶກອົບຮົມວິຊາຊີບຂອງ Data Analyst ຈາກ scratch
• Data Analytics Online Bootcamp
• ການສອນວິຊາຊີບຂອງ Data Science ຕັ້ງແຕ່ເລີ່ມຕົ້ນ
• Python ສໍາລັບຫຼັກສູດການພັດທະນາເວັບ

ຫຼັກສູດເພີ່ມເຕີມ

• ຫຼັກສູດການວິເຄາະຂໍ້ມູນ
• ຫຼັກສູດ DevOps
• ນັກພັດທະນາເວັບ
• ອາຊີບຜູ້ພັດທະນາ iOS ຕັ້ງແຕ່ເລີ່ມຕົ້ນ
• ນັກພັດທະນາ Android ມືອາຊີບຕັ້ງແຕ່ເລີ່ມຕົ້ນ
• ນັກພັດທະນາ Java ມືອາຊີບຕັ້ງແຕ່ເລີ່ມຕົ້ນ
• ຫຼັກສູດ JavaScript
• ຫຼັກສູດການຮຽນຮູ້ເຄື່ອງຈັກ
• ຫຼັກສູດ "ຄະນິດສາດແລະການຮຽນຮູ້ເຄື່ອງຈັກສໍາລັບວິທະຍາສາດຂໍ້ມູນ"
• ຫຼັກສູດຂັ້ນສູງ "ການຮຽນຮູ້ເຄື່ອງຈັກ + ການຮຽນຮູ້ເລິກເຊິ່ງ"

ບົດຄວາມແນະນຳ

• ວິທີການກາຍເປັນນັກວິທະຍາສາດຂໍ້ມູນໂດຍບໍ່ມີຫຼັກສູດອອນໄລນ໌
• 450 ຫຼັກສູດ Ivy League ຟຣີ
• ວິທີການສຶກສາ Machine Learning 5 ມື້ຕໍ່ອາທິດເປັນເວລາ 9 ເດືອນຕິດຕໍ່ກັນ
• ນັກວິເຄາະຂໍ້ມູນມີລາຍໄດ້ຫຼາຍປານໃດ: ພາບລວມຂອງເງິນເດືອນແລະບ່ອນຫວ່າງໃນລັດເຊຍແລະຕ່າງປະເທດໃນປີ 2020
• ການຮຽນຮູ້ເຄື່ອງຈັກ ແລະວິໄສທັດຄອມພິວເຕີໃນອຸດສາຫະກໍາບໍ່ແຮ່

ແຫຼ່ງຂໍ້ມູນ: www.habr.com