V tomto príspevku s vami zdieľame výber zdrojov užitočných informácií o Data Science od spoluzakladateľa a technického riaditeľa DAGsHub, komunitnej a webovej platformy na kontrolu verzií údajov a spoluprácu medzi vedcami údajov a inžiniermi strojového učenia. Výber zahŕňa rôzne zdroje, od účtov na Twitteri až po plnohodnotné inžinierske blogy, ktoré sú zamerané na tých, ktorí presne vedia, čo hľadajú. Detaily pod strihom.
Od autora:
Ste to, čo jete, a ako vedomostný pracovník potrebujete dobrú informačnú stravu. Chcem sa podeliť o zdroje informácií o Data Science, umelej inteligencii a súvisiacich technológiách, ktoré považujem za najužitočnejšie alebo najatraktívnejšie. Dúfam, že to pomôže aj vám!
Kanál YouTube, ktorý je vhodný na udržiavanie aktuálnych informácií o najnovších udalostiach. Kanál je často aktualizovaný a hostiteľ má nákazlivé nadšenie a pozitivitu vo všetkých preberaných témach. Očakávajte pokrytie zaujímavej práce nielen o AI, ale aj o počítačovej grafike a iných vizuálne príťažlivých témach.
Na svojom kanáli YouTube vysvetľuje Yannick významný výskum v oblasti hlbokého učenia v technických detailoch. Namiesto čítania samostatnej štúdie je často rýchlejšie a jednoduchšie pozrieť si jedno z jej videí, aby ste lepšie porozumeli dôležitým článkom. Vysvetlivky vyjadrujú podstatu článkov bez toho, aby zanedbávali matematiku alebo sa stratili v troch boroviciach. Yannick tiež zdieľa svoje názory na to, ako štúdie do seba zapadajú, ako vážne treba brať výsledky, širšie interpretácie atď. Pre začiatočníkov (alebo neakademikov) je ťažšie prísť k týmto objavom sami.
Ich vlastnými slovami:
Výskum strojového učenia musí byť jasný, dynamický a živý. A Distill bol vytvorený, aby pomohol vo výskume.
Distill je jedinečná publikácia o výskume strojového učenia. Články sú propagované s úžasnými vizualizáciami, ktoré čitateľovi poskytujú intuitívnejšie pochopenie tém. Priestorové myslenie a predstavivosť majú tendenciu veľmi dobre pomáhať pri pochopení tém strojového učenia a dátovej vedy. Tradičné formáty publikácií majú na druhej strane tendenciu byť vo svojej štruktúre rigidné, statické a suché a niekedy . Chris Olah, spolutvorca Distillu, má tiež úžasný osobný blog na . Dlho nebol aktualizovaný, ale stále zostáva zbierkou najlepších vysvetlení hlbokého učenia, aké boli kedy napísané. Najmä mne to veľmi pomohlo LSTM!
Sebastian Ruder píše veľmi informatívny blog a newsletter, predovšetkým o priesečníku neurónových sietí a analýzy textu v prirodzenom jazyku. Poskytuje tiež veľa rád výskumníkom a prednášajúcim na konferenciách, čo môže byť veľmi užitočné, ak ste na akademickej pôde. Sebastianove články majú tendenciu mať formu recenzií, zhrňujúcich a vysvetľujúcich súčasný stav výskumu a metód v danej oblasti. To znamená, že články sú mimoriadne užitočné pre praktizujúcich, ktorí sa chcú rýchlo zorientovať. Píše aj Sebastian .
Andreja Karpatyho netreba predstavovať. Okrem toho, že je jedným z najznámejších výskumníkov hlbokého učenia na zemi, vytvára široko používané nástroje ako napr ako vedľajšie projekty. Cez jeho Stanfordský kurz vstúpilo do tejto sféry nespočetné množstvo ľudí. , a bude pre vás užitočné to vedieť tréning neurónovej siete. Odporúčam aj pozrieť o skutočných problémoch, ktoré musí Tesla prekonať, keď sa snaží v masovom meradle aplikovať strojové učenie v reálnom svete. Reč je informatívna, pôsobivá a triezva. Okrem článkov o samotnom ML dáva Andrey Karpaty pre . Prečítajte si Andrew na a .
Blog o inžinierstve Uber je skutočne pôsobivý z hľadiska rozsahu a šírky pokrytia, najmä pokiaľ ide o množstvo tém . Čo sa mi na inžinierskej kultúre Uberu obzvlášť páči, je ich tendencia uvoľňovať veľmi zaujímavé a hodnotné open source závratným tempom. Tu je niekoľko príkladov:
- A zoznam pokračuje ďalej a ďalej... Klobúk dole, Uber
Odhliadnuc od kontroverzií, blog OpenAI je nepochybne skvelý. Z času na čas blog zverejňuje obsah a postrehy o hlbokom učení, ktoré môže prísť len v rozsahu OpenAI: hypotetické hlboký dvojitý zostup. Tím OpenAI má tendenciu uverejňovať príspevky zriedka, ale toto je dôležitý obsah.
Blog Taboola nie je taký známy ako niektoré iné zdroje v tomto príspevku, ale myslím si, že je jedinečný – autori píšu o veľmi všedných, skutočných problémoch pri pokuse aplikovať ML vo výrobe pre „normálny“ biznis: menej o samoriadiace autá a agenti RL vyhrávajúci majstra sveta, viac o tom, „ako zistím, či môj model teraz predpovedá veci s falošnou istotou?“. Tieto problémy sú relevantné pre takmer každého, kto pracuje v tejto oblasti, a dostáva sa im menej pozornosti v tlači ako bežnejším témam AI, no na správne riešenie týchto problémov sú stále potrebné talenty svetovej triedy. Našťastie má Taboola tento talent aj ochotu a schopnosť o tom písať, aby sa aj ostatní ľudia mohli učiť.
Spolu s Twitterom nie je na Reddite nič lepšie, ako sa pripútať k výskumu, nástrojom alebo múdrosti davu.
Príspevky sú publikované len ročne, no informáciami naplnené veľmi husto. V porovnaní s inými zdrojmi v tomto zozname je tento prístupnejší pre netechnických podnikateľov. Na rozhovoroch sa mi páči, že sa snažia poskytnúť ucelenejší pohľad na to, kam smeruje priemysel a výskum, spájajúc pokroky v hardvéri, výskume, obchode a dokonca aj geopolitike z vtáčej perspektívy. Začnite od konca a prečítajte si o konflikte záujmov.
Podcasty
Úprimne povedané, myslím si, že podcasty nie sú vhodné na učenie sa o technických témach. Koniec koncov, na vysvetlenie tém používajú iba zvuk a veda o údajoch je veľmi vizuálna oblasť. Podcasty majú tendenciu poskytnúť vám zámienku na hlbšie preskúmanie neskôr alebo na zapojenie do filozofických diskusií. Tu je však niekoľko odporúčaní:
- keď sa rozpráva s významnými výskumníkmi v oblasti umelej inteligencie. Epizódy s Francoisom Cholletom sú obzvlášť dobré!
- . Je príjemné počuť o nových nástrojoch dátovej infraštruktúry.
Úžasné zoznamy
Tu je toho menej, čo by ste mali sledovať, ale viac zdrojov, ktoré sú užitočné, keď viete, čo hľadáte:
Matty nachádza krásne, kreatívne spôsoby využitia neurónových sietí a je zábavné vidieť jeho výsledky na vašom kanáli Twitter. Pozrite sa aspoň príspevok.
Ori je len hnací stroj . Rozsiahlo píše o problémoch a riešeniach pre dátových vedcov. Nezabudnite sa prihlásiť na odber, aby ste boli informovaní o uverejnení článku. Jeho najmä je naozaj pôsobivé.
Spoluzakladateľ fast.ai, komplexného zdroja kreativity a produktivity.
Hamel Hussain, zamestnanec ML inžinier v Github, je zaneprázdnený prácou vytváraním a podávaním správ o mnohých nástrojoch pre kóderov v dátovej doméne.
Teraz tvorca Keras aktualizovať naše chápanie toho, čo je inteligencia a ako ju testovať.
Výskumný pracovník v Google Brain.
Záver
Pôvodný príspevok môže byť aktualizovaný, pretože autor nájde skvelé zdroje obsahu, ktoré by bola škoda nezaradiť do zoznamu. Neváhajte ho kontaktovať ak chcete odporučiť nejaký nový zdroj! A tiež DAGsHub Advokát [cca. preklad. Public Practitioner] v Data Science, takže ak vytvárate svoj vlastný obsah Data Science, pokojne napíšte autorovi príspevku.
Rozvíjajte čítaním odporúčaných zdrojov a propagačným kódom HABR, môžete získať ďalších 10% k zľave uvedenej na banneri.
Viac kurzov
Odporúčané články
Zdroj: hab.com