W tym poście dzielimy się z Tobą wybranymi źródłami przydatnych informacji o Data Science od współzałożyciela i CTO DAGsHub, platformy społecznościowej i internetowej do kontroli wersji danych i współpracy między analitykami danych i inżynierami uczenia maszynowego. Wybór obejmuje różnorodne źródła, od kont na Twitterze po pełnoprawne blogi inżynierskie, które są skierowane do tych, którzy dokładnie wiedzą, czego szukają. Szczegóły pod rozcięciem.
Od autora:
Jesteś tym, co jesz, a jako pracownik wiedzy potrzebujesz dobrej diety informacyjnej. Chcę dzielić się źródłami informacji o Data Science, sztucznej inteligencji i powiązanych technologiach, które uważam za najbardziej przydatne lub atrakcyjne. Mam nadzieję, że to też ci pomoże!
Kanał YouTube, który doskonale nadaje się do bycia na bieżąco z najnowszymi wydarzeniami. Kanał jest często aktualizowany, a gospodarz zaraża entuzjazmem i pozytywnym nastawieniem do wszystkich poruszanych tematów. Spodziewaj się interesujących prac nie tylko na temat sztucznej inteligencji, ale także grafiki komputerowej i innych atrakcyjnych wizualnie tematów.
Na swoim kanale YouTube Yannick szczegółowo opisuje ważne badania nad uczeniem głębokim. Zamiast samodzielnie czytać badanie, często szybciej i łatwiej jest obejrzeć jeden z jego filmów, aby lepiej zrozumieć ważne artykuły. Wyjaśnienia przekazują istotę artykułów, nie zaniedbując matematyki ani nie gubiąc się w trzech sosnach. Yannick dzieli się również swoimi poglądami na temat tego, jak badania pasują do siebie, jak poważnie należy traktować wyniki, szersze interpretacje i tak dalej. Początkującym (lub nieakademickim praktykom) trudniej jest samodzielnie dojść do tych odkryć.
Własnymi słowami:
Badania nad uczeniem maszynowym muszą być jasne, dynamiczne i żywe. A Distill został stworzony, aby pomagać w badaniach.
Distill to wyjątkowa publikacja badawcza dotycząca uczenia maszynowego. Artykuły są promowane za pomocą oszałamiających wizualizacji, aby dać czytelnikowi bardziej intuicyjne zrozumienie tematów. Myślenie przestrzenne i wyobraźnia zwykle bardzo dobrze pomagają zrozumieć tematy związane z uczeniem maszynowym i nauką o danych. Z drugiej strony, tradycyjne formaty publikacji są zwykle sztywne w swojej strukturze, statyczne i suche, a czasem . Chris Olah, współtwórca Distill, ma również niesamowity osobisty blog pod adresem . Nie była aktualizowana przez długi czas, ale nadal pozostaje zbiorem najlepszych wyjaśnień głębokiego uczenia się, jakie kiedykolwiek napisano. W szczególności bardzo mi to pomogło LSTM!
Sebastian Ruder pisze bardzo pouczający blog i biuletyn, głównie o przecięciu sieci neuronowych i analizie tekstu w języku naturalnym. Udziela również wielu porad naukowcom i mówcom konferencyjnym, co może być bardzo pomocne, jeśli pracujesz w środowisku akademickim. Artykuły Sebastiana mają charakter recenzji, podsumowujących i wyjaśniających stan badań i metod w danej dziedzinie. Oznacza to, że artykuły są niezwykle przydatne dla praktyków, którzy chcą szybko zorientować się w temacie. Sebastian też pisze .
Andrieja Karpaty przedstawiać nie trzeba. Oprócz tego, że jest jednym z najbardziej znanych badaczy głębokiego uczenia się na świecie, tworzy szeroko stosowane narzędzia, takie jak jako projekty poboczne. Niezliczone osoby weszły do tego królestwa dzięki jego kursowi w Stanford. , i przyda ci się to wiedzieć trening sieci neuronowych. Polecam również obejrzeć o prawdziwych problemach, które Tesla musi pokonać, próbując zastosować uczenie maszynowe na masową skalę w prawdziwym świecie. Mowa jest pouczająca, imponująca i otrzeźwiająca. Oprócz artykułów o samym ML podaje Andriej Karpaty dla . Przeczytaj Andrzeja o i .
Blog inżynieryjny Ubera jest naprawdę imponujący pod względem skali i zasięgu, obejmując w szczególności wiele tematów . To, co szczególnie podoba mi się w kulturze inżynieryjnej Ubera, to ich tendencja do wydawania bardzo interesujących i wartościowych open source w zawrotnym tempie. Oto kilka przykładów:
- A lista jest długa… Czapki z głów, Uber
Pomijając kontrowersje, blog OpenAI jest niezaprzeczalnie świetny. Od czasu do czasu blog publikuje treści i spostrzeżenia dotyczące głębokiego uczenia się, które mogą pojawić się tylko w skali OpenAI: hipotetyczne głębokie podwójne zejście. Zespół OpenAI rzadko publikuje posty, ale są to ważne treści.
Blog Taboola nie jest tak dobrze znany jak niektóre inne źródła w tym poście, ale myślę, że jest wyjątkowy - autorzy piszą o bardzo przyziemnych, prawdziwych problemach podczas próby zastosowania ML w produkcji dla „normalnego” biznesu: mniej o samojezdne samochody i agenci RL zdobywający tytuły mistrzów świata, więcej na temat „skąd mam wiedzieć, czy mój model przewiduje teraz rzeczy z fałszywą pewnością?”. Kwestie te dotyczą prawie wszystkich osób pracujących w terenie i są rzadziej omawiane w prasie niż bardziej powszechne tematy dotyczące sztucznej inteligencji, ale nadal potrzebne są światowej klasy talenty, aby właściwie zająć się tymi problemami. Na szczęście Taboola ma zarówno ten talent, jak i chęć i umiejętność pisania o tym, aby inni ludzie też mogli się uczyć.
Wraz z Twitterem nie ma nic lepszego na Reddit niż uzależnienie się od badań, narzędzi lub mądrości tłumu.
Posty publikowane są tylko raz w roku, ale bardzo gęsto wypełnione informacjami. W porównaniu z innymi źródłami z tej listy, to jest bardziej dostępne dla ludzi biznesu niezwiązanych z technologią. W rozmowach podoba mi się to, że starają się przedstawić bardziej całościowy obraz tego, dokąd zmierza przemysł i badania, łącząc postępy w sprzęcie, badaniach, biznesie, a nawet geopolityce z lotu ptaka. Pamiętaj, aby zacząć od końca, aby przeczytać o konflikcie interesów.
Podcasty
Szczerze mówiąc, uważam, że podcasty nie nadają się do nauki zagadnień technicznych. W końcu do wyjaśniania tematów używają tylko dźwięku, a data science to dziedzina bardzo wizualna. Podcasty zwykle dają pretekst do głębszej eksploracji w późniejszym czasie lub do angażowania dyskusji filozoficznych. Oto jednak kilka zaleceń:
- gdy rozmawia z wybitnymi badaczami zajmującymi się sztuczną inteligencją. Odcinki z Francoisem Cholletem są szczególnie dobre!
- . Miło słyszeć o nowych narzędziach infrastruktury danych.
Niesamowite listy
Tutaj jest mniej do obserwowania, ale więcej zasobów, które są pomocne, gdy wiesz, czego szukasz:
Matty znajduje piękne, kreatywne sposoby wykorzystania sieci neuronowych, a oglądanie jego wyników na Twitterze jest po prostu zabawne. Zajrzyj przynajmniej pisać.
Ori to tylko napędzająca maszyna . Pisze obszernie o problemach i rozwiązaniach dla naukowców zajmujących się danymi. Zapisz się, aby otrzymać powiadomienie o publikacji artykułu. Jego w szczególności robi wrażenie.
Współzałożyciel fast.ai, wszechstronnego źródła kreatywności i produktywności.
Hamel Hussain, inżynier ML w Github, jest zajęty tworzeniem i raportowaniem wielu narzędzi dla programistów w domenie danych.
Twórca Keras, teraz zaktualizować naszą wiedzę na temat tego, czym jest inteligencja i jak ją testować.
Naukowiec w Google Brain.
wniosek
Oryginalny post może zostać zaktualizowany, ponieważ autor znajduje świetne źródła treści, których szkoda byłoby nie uwzględnić na liście. Skontaktuj się z nim jeśli chcesz polecić jakieś nowe źródło! A także DAGsHub Adwokat [ok. tłumacz. Public Practitioner] w Data Science, więc jeśli tworzysz własne treści Data Science, napisz do autora posta.
Rozwijaj się, czytając zalecane źródła i kod promocyjny Habr., możesz otrzymać dodatkowe 10% rabatu wskazanego na banerze.
Więcej kursów
Polecane artykuły
Źródło: www.habr.com