Šiame įraše dalijamės su jumis naudingos informacijos apie duomenų mokslą šaltiniais, kuriuos pateikė DAGsHub, bendruomenės ir žiniatinklio platforma, skirta duomenų versijų valdymui ir duomenų mokslininkų bei mašininio mokymosi inžinierių bendradarbiavimui, įkūrėjo ir CTO. Pasirinkimas apima įvairius šaltinius – nuo Twitter paskyrų iki pilnaverčių inžinerinių tinklaraščių, skirtų tiems, kurie tiksliai žino, ko ieško. Detalės po pjūviu.
Iš autoriaus:
Jūs esate tai, ką valgote, ir jums, kaip žinių darbuotojui, reikia geros informacinės dietos. Noriu pasidalinti informacijos šaltiniais apie duomenų mokslą, dirbtinį intelektą ir susijusias technologijas, kurios man atrodo naudingiausios ar patraukliausios. Tikiuosi, kad tai padės ir jums!
„YouTube“ kanalas, puikiai tinkantis gauti naujausius įvykius. Kanalas dažnai atnaujinamas, o šeimininkas turi užkrečiantį entuziazmą ir pozityvumą visomis nagrinėjamomis temomis. Tikimasi įdomių darbų ne tik AI, bet ir kompiuterinės grafikos bei kitų vizualiai patrauklių temų aprėpties.
Savo „YouTube“ kanale Yannickas išsamiai paaiškina svarbius gilaus mokymosi tyrimus. Užuot skaitę studiją patys, dažnai greičiau ir paprasčiau pažiūrėti vieną iš jo vaizdo įrašų, kad galėtumėte geriau suprasti svarbius straipsnius. Paaiškinimai perteikia straipsnių esmę, neapleidžiant matematikos ar pasiklystant trijose pušyse. Yannickas taip pat dalijasi savo nuomone apie tai, kaip studijos dera tarpusavyje, kaip rimtai reikėtų vertinti rezultatus, platesnes interpretacijas ir pan. Pradedantiesiems (arba neakademiniams specialistams) sunkiau patiems pasiekti šiuos atradimus.
Jų pačių žodžiais:
Mašininio mokymosi tyrimai turi būti aiškūs, dinamiški ir ryškūs. Ir Distill buvo sukurtas padėti atlikti tyrimus.
Distill yra unikalus mašininio mokymosi tyrimų leidinys. Straipsniai reklamuojami naudojant nuostabias vizualizacijas, kad skaitytojas intuityviau suprastų temas. Erdvinis mąstymas ir vaizduotė paprastai labai gerai padeda suprasti mašininio mokymosi ir duomenų mokslo temas. Kita vertus, tradiciniai leidinių formatai paprastai būna nelanksčios struktūros, statiški ir sausi, o kartais . Chrisas Olahas, vienas iš Distill kūrėjų, taip pat palaiko nuostabų asmeninį tinklaraštį adresu . Jis nebuvo atnaujintas ilgą laiką, bet vis tiek išlieka geriausių kada nors parašytų gilaus mokymosi paaiškinimų rinkiniu. Visų pirma, tai man labai padėjo LSTM!
Sebastianas Ruderis rašo labai informatyvų tinklaraštį ir informacinį biuletenį, visų pirma apie neuroninių tinklų ir natūralios kalbos teksto analizės sankirtą. Jis taip pat duoda daug patarimų tyrėjams ir konferencijų pranešėjams, kurie gali būti labai naudingi, jei esate akademinėje bendruomenėje. Sebastiano straipsniai dažniausiai pateikiami apžvalgų pavidalu, apibendrina ir paaiškina tam tikros srities tyrimų ir metodų pažangą. Tai reiškia, kad straipsniai yra labai naudingi praktikams, kurie nori greitai susiorientuoti. Sebastianas taip pat rašo .
Andrejaus Karpaty pristatymo nereikia. Be to, kad yra vienas garsiausių giluminio mokymosi tyrinėtojų žemėje, jis kuria plačiai naudojamas priemones, pvz kaip šalutiniai projektai. Daugybė žmonių pateko į šią karalystę per jo Stanfordo kursą. , ir jums bus naudinga tai žinoti neuroninių tinklų mokymas. Taip pat rekomenduoju pažiūrėti apie tikras problemas, kurias „Tesla“ turi įveikti bandydama masiškai pritaikyti mašininį mokymąsi realiame pasaulyje. Kalba informatyvi, įspūdinga ir blaivi. Be straipsnių apie pačią ML, Andrejus Karpaty pateikia už . Skaitykite Andrew adresu ir .
„Uber“ inžinerijos tinklaraštis yra tikrai įspūdingas dėl aprėpties masto ir apimties, apimantis daugybę temų, ypač . Kas man ypač patinka Uber inžinerinėje kultūroje, yra jų tendencija išleisti labai įdomius ir vertingus atvirojo kodo nepaprastai greitai. Štai keletas pavyzdžių:
- Sąrašas tęsiasi ir tęsiasi... Nusimink kepurę, Uber
Nepaisant ginčų, „OpenAI“ tinklaraštis yra neabejotinai puikus. Kartkartėmis tinklaraštyje skelbiamas turinys ir įžvalgos apie gilų mokymąsi, kuris gali būti tik OpenAI mastu: hipotetinis gilus dvigubas nusileidimas. „OpenAI“ komanda linkusi skelbti nedažnai, tačiau tai yra svarbus turinys.
Tinklaraštis „Taboola“ nėra taip gerai žinomas kaip kai kurie kiti šio įrašo šaltiniai, bet manau, kad jis unikalus – autoriai rašo apie labai žemiškas, tikras problemas bandant ML pritaikyti gamyboje „normaliam“ verslui: mažiau apie savarankiškai važiuojantys automobiliai ir RL agentai, iškovoję pasaulio čempionus, daugiau apie „kaip sužinoti, ar mano modelis dabar prognozuoja dalykus su klaidingu pasitikėjimu?“. Šios problemos aktualios beveik kiekvienam šioje srityje dirbančiam žmogui, jos sulaukia mažiau dėmesio spaudoje nei įprastesnės AI temos, tačiau vis tiek reikia pasaulinio lygio talentų, kad šios problemos būtų tinkamai išspręstos. Laimei, Taboola turi ir šį talentą, ir noro bei gebėjimo apie tai rašyti, kad kiti žmonės taip pat galėtų mokytis.
Kartu su „Twitter“ „Reddit“ nėra nieko geriau, kaip pasimėgauti minios tyrimais, įrankiais ar išmintimi.
Įrašai skelbiami tik kasmet, tačiau labai tankiai užpildyti informacija. Palyginti su kitais šio sąrašo šaltiniais, šis yra labiau prieinamas ne technologijų verslo žmonėms. Pokalbiuose man patinka tai, kad jie bando pateikti visapusiškesnį vaizdą apie tai, kur eina pramonė ir moksliniai tyrimai, susiejant techninės įrangos, tyrimų, verslo ir net geopolitikos pažangą iš paukščio skrydžio. Būtinai pradėkite nuo pabaigos ir skaitykite apie interesų konfliktus.
Tinklalaidės
Atvirai kalbant, manau, kad podcast'ai netinkami mokytis techninėmis temomis. Galų gale, jie naudoja tik garsą temoms paaiškinti, o duomenų mokslas yra labai vizuali sritis. Podcast'ai paprastai suteikia jums pasiteisinimą, kad vėliau galėtumėte giliau tyrinėti arba įtraukti filosofines diskusijas. Tačiau čia yra keletas rekomendacijų:
- kai kalbasi su žymiais dirbtinio intelekto srities tyrinėtojais. Epizodai su Francois Chollet yra ypač geri!
- . Malonu girdėti apie naujus duomenų infrastruktūros įrankius.
Nuostabūs sąrašai
Čia reikia mažiau stebėti, bet daugiau išteklių, kurie bus naudingi, kai žinote, ko ieškote:
Matty randa gražių, kūrybiškų būdų, kaip naudoti neuroninius tinklus, ir tiesiog smagu matyti jo rezultatus jūsų „Twitter“ sklaidos kanale. Pažiūrėk bent paštu
Ori yra tik vairavimo mašina . Jis daug rašo apie duomenų mokslininkų problemas ir sprendimus. Būtinai užsiprenumeruokite, kad būtumėte informuoti, kai straipsnis bus paskelbtas. Jo ypač tikrai įspūdinga.
Fast.ai – visapusiško kūrybiškumo ir produktyvumo šaltinio – įkūrėjas.
„Github“ personalo ML inžinierius Hamelas Hussainas yra užsiėmęs kurdamas daugybę duomenų srities koduotojams skirtų įrankių ir teikia ataskaitas apie juos.
„Keras“ kūrėjas, dabar atnaujinti savo supratimą apie tai, kas yra intelektas ir kaip jį patikrinti.
„Google Brain“ mokslininkas.
išvada
Originalus įrašas gali būti atnaujintas, nes autorius randa puikių turinio šaltinių, kurių būtų gaila neįtraukti į sąrašą. Nedvejodami susisiekite su juo jei norite rekomenduoti kokį nors naują šaltinį! Taip pat DAGsHub Advokatas [apytiksliai. vert. Public Practitioner] duomenų moksle, todėl jei kuriate savo duomenų mokslo turinį, drąsiai rašykite įrašo autoriui.
Kurkite skaitydami rekomenduojamus šaltinius ir reklamos kredito kodą RAGAŠAS, prie reklamjuostės nurodytos nuolaidos galite gauti papildomus 10%.
Daugiau kursų
Teminiai straipsniai
Šaltinis: www.habr.com