२०२० मा डाटा वैज्ञानिकको रूपमा के पढ्ने

यस पोष्टमा, हामी तपाइँसँग DAGsHub को सह-संस्थापक र CTO, डेटा संस्करण नियन्त्रण र डेटा वैज्ञानिकहरू र मेसिन लर्निङ इन्जिनियरहरू बीचको सहकार्यको लागि एक समुदाय र वेब प्लेटफर्मबाट डेटा विज्ञानको बारेमा उपयोगी जानकारीको स्रोतहरूको चयन साझा गर्छौं। चयनले विभिन्न स्रोतहरू समावेश गर्दछ, ट्विटर खाताहरू देखि पूर्ण इन्जिनियरिङ ब्लगहरू, जुन तिनीहरूले के खोजिरहेका छन् भनेर थाहा पाउनेहरूलाई लक्षित गरिएको छ। कट अन्तर्गत विवरणहरू।

लेखक बाट:
तपाई जे खानुहुन्छ त्यही हो, र एक ज्ञान कार्यकर्ताको रूपमा, तपाईलाई राम्रो सूचनात्मक आहार चाहिन्छ। म डेटा विज्ञान, कृत्रिम बुद्धिमत्ता र मलाई सबैभन्दा उपयोगी वा आकर्षक लाग्ने सम्बन्धित प्रविधिहरू बारे जानकारीको स्रोत साझा गर्न चाहन्छु। मलाई आशा छ कि यसले तपाईंलाई पनि मद्दत गर्दछ!

दुई मिनेट कागजात

नवीनतम घटनाहरु संग अद्यावधिक राख्न को लागी राम्रोसँग उपयुक्त YouTube च्यानल। च्यानल बारम्बार अद्यावधिक गरिन्छ र होस्टसँग कभर गरिएका सबै विषयहरूमा संक्रामक उत्साह र सकारात्मकता छ। AI मा मात्र नभई कम्प्यूटर ग्राफिक्स र अन्य दृश्य आकर्षक विषयहरूमा पनि रोचक कार्यको कभरेजको अपेक्षा गर्नुहोस्।

यानिक किल्चर

आफ्नो YouTube च्यानलमा, यानिकले प्राविधिक विवरणमा गहिरो शिक्षामा महत्त्वपूर्ण अनुसन्धान बताउँछन्। आफैले अध्ययन पढ्नुको सट्टा, महत्त्वपूर्ण लेखहरूको गहिरो बुझाइ प्राप्त गर्नको लागि यसको भिडियोहरू मध्ये एउटा हेर्न प्रायः छिटो र सजिलो हुन्छ। व्याख्याहरूले गणितलाई बेवास्ता नगरी वा तीन पाइन्समा हराए बिना लेखहरूको सार व्यक्त गर्दछ। यानिकले अध्ययन कसरी एकसाथ मिल्छ, नतिजालाई कसरी गम्भीरताका साथ लिनुपर्छ, फराकिलो व्याख्याहरू, र यस्तै कुराहरूमा पनि आफ्ना विचारहरू साझा गर्छन्। शुरुवातकर्ताहरू (वा गैर-शैक्षिक अभ्यासकर्ताहरू) लाई यी खोजहरूमा आफैं आउन गाह्रो हुन्छ।

distill.pub

उनीहरुकै शब्दमा:

मेसिन लर्निङ अनुसन्धान स्पष्ट, गतिशील र जीवन्त हुनु आवश्यक छ। र डिस्टिल अनुसन्धानमा मद्दत गर्न सिर्जना गरिएको थियो।

डिस्टिल एक अद्वितीय मेसिन लर्निङ अनुसन्धान प्रकाशन हो। पाठकहरूलाई विषयहरूको थप सहज समझ दिनको लागि लेखहरूलाई आश्चर्यजनक दृश्यहरूका साथ पदोन्नति गरिन्छ। स्थानिक सोच र कल्पनाले तपाईंलाई मेसिन लर्निङ र डेटा विज्ञान विषयहरू बुझ्न मद्दत गर्नमा धेरै राम्रोसँग काम गर्छ। परम्परागत प्रकाशन ढाँचाहरू, अर्कोतर्फ, तिनीहरूको संरचनामा कठोर, स्थिर र सुख्खा, र कहिलेकाहीँ "गणितीय"। क्रिस ओलाह, डिस्टिलका सह-सृष्टिकर्तासँग पनि एक अद्भुत व्यक्तिगत ब्लग छ GitHub। यो लामो समयको लागि अद्यावधिक गरिएको छैन, तर अझै पनि लेखिएको सबै भन्दा राम्रो गहिरो शिक्षा व्याख्या को एक संग्रह रहन्छ। विशेष गरी, यसले मलाई धेरै मद्दत गर्यो विवरण LSTM!

स्रोत

सेबास्टियन रुडर

सेबास्टियन रुडरले धेरै जानकारीमूलक ब्लग र न्यूजलेटर लेख्छन्, मुख्यतया न्यूरल नेटवर्कहरू र प्राकृतिक भाषा पाठ विश्लेषणको प्रतिच्छेदन बारे। उसले अनुसन्धानकर्ताहरू र सम्मेलन स्पिकरहरूलाई धेरै सल्लाह दिन्छ, जुन धेरै उपयोगी हुन सक्छ यदि तपाईं एकेडेमियामा हुनुहुन्छ भने। सेबास्टियनका लेखहरूले समीक्षाको रूप लिन्छन्, संक्षेपमा लेख्छन् र दिइएको क्षेत्रमा अनुसन्धान र विधिहरूमा कलाको अवस्थाको व्याख्या गर्छन्। यसको मतलब यो छ कि लेखहरू चाँडै आफ्नो असर प्राप्त गर्न चाहने चिकित्सकहरूको लागि अत्यन्त उपयोगी छन्। सेबास्टियन पनि लेख्छन् twitter.

एन्ड्री कार्पाथी

Andrei Karpaty कुनै परिचय आवश्यक छैन। पृथ्वीमा सबैभन्दा प्रसिद्ध गहिरो अध्ययन अनुसन्धानकर्ताहरू मध्ये एक हुनुको अलावा, उहाँले व्यापक रूपमा प्रयोग हुने उपकरणहरू सिर्जना गर्नुहुन्छ जस्तै अभिलेख सेनिटी रक्षक साइड प्रोजेक्टहरूको रूपमा। उनको स्ट्यानफोर्ड कोर्स मार्फत अनगिन्ती मानिसहरू यस क्षेत्रमा प्रवेश गरेका छन् cs231n, र यो तपाइँको लागि यो जान्न उपयोगी हुनेछ नुहाउने तंत्रिका नेटवर्क प्रशिक्षण। म यसलाई हेर्न पनि सिफारिस गर्दछु भाषण वास्तविक संसारमा ठूलो मात्रामा मेसिन लर्निङ लागू गर्ने प्रयास गर्दा टेस्लाले पार गर्नुपर्ने वास्तविक समस्याहरूको बारेमा। भाषण जानकारीमूलक, प्रभावशाली र विचारशील छ। ML आफैंको बारेमा लेखहरू बाहेक, एन्ड्रे कार्पाटीले दिन्छ राम्रो जीवन सल्लाह लागि महत्वाकांक्षी वैज्ञानिकहरू। Andrew मा पढ्नुहोस् twitter र मा Github.

Uber ईन्जिनियरिङ्

Uber ईन्जिनियरिङ् ब्लग साँच्चै प्रभावशाली छ कभरेजको स्केल र चौडाइको सन्दर्भमा, विशेष गरी धेरै विषयहरू समेट्छ। कृत्रिम बुद्धिमत्ता। Uber को ईन्जिनियरिङ् संस्कृतिको बारेमा मलाई मनपर्ने कुरा धेरै रोचक र बहुमूल्य रिलीज गर्ने प्रवृत्ति हो। प्रोजेक्टहरू एक डरलाग्दो गतिमा खुला स्रोत। यहाँ केही उदाहरणहरू छन्:

• लुडविग
• h3
• प्रतिक्रिया-दृश्य
• aresdb
• र सूची जारी र जारी छ...ह्याट्स अफ, Uber

ओपनएआई ब्लग

विवाद बाहेक, OpenAI ब्लग निर्विवाद रूपमा उत्कृष्ट छ। समय-समयमा, ब्लगले गहिरो शिक्षाको बारेमा सामग्री र अन्तर्दृष्टिहरू पोस्ट गर्दछ जुन केवल OpenAI को स्केलमा आउन सक्छ: काल्पनिक घटना गहिरो डबल वंश। OpenAI टोलीले कहिलेकाहीं पोष्ट गर्ने गर्छ, तर यो महत्त्वपूर्ण कुरा हो।

स्रोत

Taboola ब्लग

Taboola ब्लग यस पोस्टमा अन्य स्रोतहरू जस्तै राम्रोसँग परिचित छैन, तर मलाई लाग्छ कि यो अद्वितीय छ - लेखकहरूले "सामान्य" व्यवसायको लागि उत्पादनमा एमएल लागू गर्ने प्रयास गर्दा धेरै सांसारिक, वास्तविक समस्याहरूको बारेमा लेख्छन्: कम बारे। सेल्फ-ड्राइभिङ कारहरू र विश्व च्याम्पियनहरू जित्ने RL एजेन्टहरू, "मेरो मोडेलले झूटो आत्मविश्वासका साथ चीजहरूको भविष्यवाणी गरिरहेको छ भने मलाई कसरी थाहा पाउने?"। यी मुद्दाहरू क्षेत्रमा काम गर्ने लगभग सबैका लागि सान्दर्भिक छन्, र तिनीहरूले धेरै सामान्य AI विषयहरू भन्दा कम प्रेस कभरेज प्राप्त गर्छन्, तर अझै पनि यी मुद्दाहरूलाई सही रूपमा सम्बोधन गर्न विश्व-स्तरीय प्रतिभा चाहिन्छ। सौभाग्यवश, Taboola सँग यो प्रतिभा र यसको बारेमा लेख्ने इच्छा र क्षमता दुवै छ ताकि अन्य मानिसहरूले पनि सिक्न सकून्।

Reddit

ट्विटरको साथसाथै, भीडको अनुसन्धान, उपकरण, वा बुद्धिमा हुक हुनु भन्दा Reddit मा केहि राम्रो छैन।

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

एआई राज्य

पोष्टहरू वार्षिक रूपमा मात्र प्रकाशित हुन्छन्, तर धेरै घना जानकारीले भरिएको हुन्छ। यस सूचीमा रहेका अन्य स्रोतहरूको तुलनामा, यो गैर-टेक व्यवसायिक व्यक्तिहरूको लागि बढी पहुँचयोग्य छ। वार्ताको बारेमा मलाई मनपर्ने कुरा यो हो कि उनीहरूले उद्योग र अनुसन्धान कहाँ गइरहेका छन् भन्ने बारे थप समग्र दृष्टिकोण दिन प्रयास गर्छन्, हार्डवेयर, अनुसन्धान, व्यापार, र भूराजनीतिमा पनि चराको आँखाबाट हुने प्रगतिलाई एकसाथ बाँध्ने प्रयास गर्छन्। चासोको द्वन्द्वको बारेमा पढ्नको लागि अन्त्यमा सुरु गर्न निश्चित हुनुहोस्।

पोडकास्टहरू

साँच्चै, मलाई लाग्छ कि पोडकास्टहरू प्राविधिक विषयहरूको बारेमा सिक्नको लागि उपयुक्त छैनन्। आखिर, तिनीहरू विषयहरू व्याख्या गर्न ध्वनि मात्र प्रयोग गर्छन्, र डेटा विज्ञान एक धेरै दृश्य क्षेत्र हो। पोडकास्टहरूले तपाईंलाई पछि थप गहिराइमा अन्वेषण गर्न, वा संलग्न दार्शनिक छलफलहरूको लागि बहाना दिन्छ। यद्यपि, यहाँ केही सिफारिसहरू छन्:

• लेक्स फ्रिडम्यान पोडकास्टजब उनी आर्टिफिसियल इन्टेलिजेन्सको क्षेत्रमा प्रख्यात अनुसन्धानकर्ताहरूसँग कुरा गर्छन्। Francois Chollet संग एपिसोडहरू विशेष गरी राम्रो छन्!
• डाटा इन्जिनियरिङ पोडकास्ट। नयाँ डेटा पूर्वाधार उपकरणहरूको बारेमा सुन्न राम्रो लाग्यो।

अद्भुत सूचीहरू

यहाँ पछ्याउनको लागि कम छ, तर तपाईले के खोजिरहनु भएको छ भनी थाहा पाएपछि थप स्रोतहरू उपयोगी हुन्छन्:

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

twitter

• म्याटी मारियान्स्की
  म्याट्टीले तंत्रिका सञ्जालहरू प्रयोग गर्ने सुन्दर, रचनात्मक तरिकाहरू फेला पार्छ, र तपाईंको ट्विटर फिडमा उहाँको नतिजाहरू हेर्न पाउँदा रमाईलो हुन्छ। कम्तिमा एक नजर त हेर्नुस् यो छिटो।
• ओरी कोहेन
  Ori एउटा ड्राइभिङ मेसिन मात्र हो ब्लगहरू। उहाँले डेटा वैज्ञानिकहरूको लागि समस्या र समाधानहरूको बारेमा विस्तृत रूपमा लेख्नुहुन्छ। लेख प्रकाशित हुँदा सूचित गर्न सदस्यता लिन निश्चित हुनुहोस्। उनको संकलनविशेष गरी वास्तवमै प्रभावशाली छ।
• जेरेमी हावर्ड
  Fast.ai को सह-संस्थापक, रचनात्मकता र उत्पादकता को एक व्यापक स्रोत।
• हमेल हुसेन
  Github मा एक कर्मचारी ML इन्जिनियर, हमेल हुसैन डाटा डोमेन मा कोडर को लागी धेरै उपकरणहरु को निर्माण र रिपोर्टिंग को काम मा व्यस्त छ।
• फ्रान्कोइस चोलेट
  Keras को निर्माता, अब प्रयास गर्दै बुद्धि भनेको के हो र यसलाई कसरी परीक्षण गर्ने भन्ने बारे हाम्रो बुझाइ अपडेट गर्नुहोस्।
• hardmaru
  Google Brain मा अनुसन्धान वैज्ञानिक।

निष्कर्षमा

मूल पोष्ट अपडेट हुन सक्छ किनकि लेखकले सामग्रीको उत्कृष्ट स्रोतहरू फेला पार्छ जुन सूचीमा समावेश नगर्नु लाजमर्दो हुनेछ। उहाँलाई सम्पर्क गर्न नहिचकिचाउनुहोस् twitterयदि तपाइँ केहि नयाँ स्रोत सिफारिस गर्न चाहनुहुन्छ भने! साथै DAGsHub कामदारहरु अधिवक्ता [लगभग। अनुवाद। सार्वजनिक अभ्यासकर्ता] डाटा विज्ञानमा, त्यसैले यदि तपाईंले आफ्नै डाटा विज्ञान सामग्री सिर्जना गर्नुभयो भने, पोस्टको लेखकलाई लेख्न स्वतन्त्र महसुस गर्नुहोस्।

सिफारिस गरिएका स्रोतहरू पढेर र प्रचारात्मक कोडद्वारा विकास गर्नुहोस् HABR, तपाइँ ब्यानरमा संकेत गरिएको छुटमा थप 10% प्राप्त गर्न सक्नुहुन्छ।

• डाटा विज्ञान अनलाइन बुटक्याम्प
• स्क्र्याचबाट डाटा विश्लेषकको पेशालाई प्रशिक्षण दिँदै
• डाटा एनालिटिक्स अनलाइन बुटक्याम्प
• स्क्र्याच देखि डाटा विज्ञान को पेशा अध्यापन
• वेब विकास पाठ्यक्रम को लागी पाइथन

थप पाठ्यक्रमहरू

• डाटा एनालिटिक्स कोर्स
• DevOps पाठ्यक्रम
• पेशा वेब विकासकर्ता
• स्क्र्याच देखि पेशा iOS विकासकर्ता
• स्क्र्याचबाट पेशा एन्ड्रोइड विकासकर्ता
• स्क्र्याचबाट जाभा विकासकर्ता पेशा
• जाभास्क्रिप्ट पाठ्यक्रम
• मेसिन लर्निङ कोर्स
• पाठ्यक्रम "डेटा विज्ञानका लागि गणित र मेसिन लर्निङ"
• उन्नत पाठ्यक्रम "मेसिन लर्निङ प्रो + डीप लर्निङ"

विशेष लेखहरू

• अनलाइन पाठ्यक्रमहरू बिना डाटा वैज्ञानिक कसरी बन्ने
• 450 नि: शुल्क आइवी लीग पाठ्यक्रमहरू
• लगातार ९ महिनासम्म हप्ताको ५ दिन मेसिन लर्निङ कसरी अध्ययन गर्ने
• डेटा विश्लेषकले कति कमाउँछन्: 2020 मा रूस र विदेशमा तलब र रिक्त पदहरूको एक सिंहावलोकन
• खनन उद्योगमा मेशिन लर्निङ र कम्प्युटर भिजन

स्रोत: www.habr.com