Во овој пост, споделуваме со вас избор на извори на корисни информации за Data Science од ко-основачот и CTO на DAGsHub, заедница и веб-платформа за контрола на верзии на податоци и соработка помеѓу научниците за податоци и инженерите за машинско учење. Изборот вклучува различни извори, од сметки на Твитер до полноправни инженерски блогови, кои се наменети за оние кои точно знаат што бараат. Детали под сечењето.
Од авторот:
Вие сте тоа што го јадете, а како работник со знаење ви треба добра информативна диета. Сакам да споделам извори на информации за науката за податоци, вештачката интелигенција и поврзаните технологии што ги сметам за најкорисни или привлечни. Се надевам дека ова ви помага и вам!
Канал на YouTube кој е добро прилагоден да биде во тек со најновите настани. Каналот често се ажурира и водителот има заразен ентузијазам и позитивност за сите опфатени теми. Очекувајте покривање на интересна работа не само за вештачка интелигенција, туку и за компјутерска графика и други визуелно привлечни теми.
На неговиот канал на YouTube, Јаник објаснува значајни истражувања за длабоко учење во технички детали. Наместо сами да ја читате студијата, често е побрзо и полесно да гледате едно од неговите видеа за да стекнете подлабоко разбирање за важните написи. Објаснувањата ја пренесуваат суштината на написите без да се занемари математиката или да се изгуби во три борови. Јаник исто така ги споделува своите ставови за тоа како студиите се вклопуваат заедно, колку сериозно да се земат резултатите, пошироки толкувања и многу повеќе. Потешко е за почетниците (или неакадемските практичари) сами да дојдат до овие откритија.
Со свои зборови:
Истражувањето за машинско учење треба да биде јасно, динамично и живописно. И Дистил беше создаден за да помогне во истражувањето.
Дистил е единствена публикација со истражување во областа на машинското учење. Написите со зачудувачки визуелизации се промовираат за да му дадат на читателот поинтуитивно разбирање на темите. Просторното размислување и имагинацијата имаат тенденција да работат многу добро во помагањето да се разберат темите за Машинско учење и наука за податоци. Традиционалните формати на објавување, од друга страна, имаат тенденција да бидат крути во нивната структура, статични и суви, а понекогаш . Крис Олах, еден од креаторите на Дистил, има и неверојатен личен блог во . Не е ажуриран некое време, но сепак останува збирка од најдобрите објаснувања на темата за длабоко учење некогаш напишани. Конкретно, тоа ми помогна многу LSTM!
Себастијан Рудер пишува многу прониклив блог и билтен, првенствено за пресекот на невронските мрежи и рударството на текст на природен јазик. Тој, исто така, има многу совети за истражувачи и говорници на конференции, што може да биде многу корисно ако сте во академската заедница. Статиите на Себастијан обично имаат форма на прегледи, сумирање и објаснување на состојбата на тековните истражувања и методи во одредена област. Ова значи дека написите се исклучително корисни за практичарите кои сакаат брзо да ги добијат своите лежишта. Себастијан исто така пишува во .
На Андреј Карпати не му треба вовед. Покрај тоа што е еден од најпознатите истражувачи за длабоко учење на Земјата, тој создава широко користени алатки, на пр. како споредни проекти. Безброј луѓе влегоа на ова поле преку неговиот курс на Стенфорд , и ќе ви биде корисно да го знаете обука за невронски мрежи. Ви препорачувам и да го гледате за предизвиците во реалниот свет што Тесла мора да ги надмине кога се обидува масовно да го примени машинското учење во реалниот свет. Говорот е информативен, впечатлив и отрезнувачки. Во прилог на написите за самата ML, Андреј Карпати дава за . Прочитајте го Андреј и .
Блогот за инженерство Uber е навистина импресивен по својот обем и ширина на покриеност, покривајќи многу теми, особено . Она што особено ми се допаѓа во инженерската култура на Uber е нивната тенденција да произведуваат многу интересни и вредни отворен код со опасно темпо. Еве неколку примери:
- И списокот продолжува и продолжува... Капата подалеку, Uber
Настрана контроверзите, блогот на OpenAI е несомнено прекрасен. Од време на време, блогот објавува содржини и идеи за длабоко учење што може да дојде само на скалата на OpenAI: хипотетички длабоко двојно спуштање. Тимот на OpenAI има тенденција да објавува ретко, но ова е важна работа.
Блогот Taboola не е толку познат како некои од другите извори во овој пост, но мислам дека е уникатен - авторите пишуваат за многу приземни, реални проблеми кога се обидуваат да применат ML во производството за „нормални Бизниси: помалку за самоуправувачките автомобили и агентите на RL кои освојуваат светски шампиони, повеќе за „како да знам дека мојот модел сега ги предвидува работите со лажна самодоверба?“ Овие проблеми се релевантни за речиси секој што работи на терен, и тие добиваат помалку покриеност во печатот од повообичаените теми за вештачка интелигенција, но сепак потребни се таленти од светска класа за правилно да се решат овие проблеми. За среќа, Табула го има и овој талент и подготвеноста и способноста да пишува за тоа за да можат и другите луѓе да научат.
Заедно со Твитер, нема ништо подобро на Редит од тоа да се навлечете на истражување, алатки или мудрост на толпата.
Објавите се објавуваат само годишно, но се полни со многу густи информации. Во споредба со другите извори на оваа листа, овој е попристапен за не-технолошките деловни луѓе. Она што ми се допаѓа во разговорите е тоа што се обидува да обезбеди похолистички поглед на тоа каде се движат индустријата и истражувањето, поврзувајќи ги заедно напредокот во хардверот, истражувањето, бизнисот, па дури и геополитиката од птичја перспектива. Бидете сигурни да започнете на крајот да читате за конфликт на интереси.
Подкасти
Искрено, мислам дека подкастите се слабо прилагодени за истражување на технички теми. На крајот на краиштата, тие користат само аудио за да објаснуваат теми, а науката за податоци е многу визуелно поле. Поткастите имаат тенденција да ви дадат изговор да направите подлабоко истражување подоцна или да имате некои фасцинантни филозофски дискусии. Сепак, еве неколку препораки:
- , додека разговара со истакнати истражувачи од областа на вештачката интелигенција. Особено добри се епизодите со Франсоа Шоле!
- . Добро е да се слушне за нови алатки за инфраструктура за податоци.
Прекрасни листи
Овде има помалку за следење, но повеќе ресурси кои се корисни кога знаете што барате:
Мети наоѓа убави, креативни начини за користење на невронски мрежи и едноставно е забавно да се видат неговите резултати на вашиот Twitter feed. Барем погледнете пост.
Ори е само машина за возење . Тој опширно пишува за проблеми и решенија за научниците за податоци. Бидете сигурни да се претплатите за да бидете известени кога ќе се објави статија. Неговиот , особено, е навистина импресивен.
Ко-основач на fast.ai, сеопфатен извор на креативност и продуктивност.
Вработен инженер за ML во Github, Хамел Хусеин е зафатен со работа создавајќи и известувајќи за многу алатки за кодери на податоци.
Создател на Керас, сега ажурирајте го нашето разбирање за тоа што е интелигенција и како да ја тестираме.
Истражувачки научник во Google Brain.
Заклучок
Оригиналната објава може да се ажурира бидејќи авторот наоѓа одлични извори на содржина што би било штета да не ги вклучи во списокот. Слободно контактирајте го на , ако сакате да препорачате нов извор! И, исто така, DAGsHub Адвокат [приближно. превод public Practitioner] во Data Science, па ако креирате своја содржина на Data Science, слободно пишете му на авторот на објавата.
Развијте се со читање препорачани извори и користење на промотивниот код HABR, можете да добиете дополнителни 10% на попустот наведен на банерот.
Повеќе курсеви
Избрани статии
Извор: www.habr.com