ในโพสต์นี้ เราแชร์แหล่งข้อมูลที่เป็นประโยชน์เกี่ยวกับ Data Science จากผู้ร่วมก่อตั้งและ CTO ของ DAGsHub ซึ่งเป็นแพลตฟอร์มชุมชนและเว็บสำหรับการควบคุมเวอร์ชันข้อมูลและการทำงานร่วมกันระหว่างนักวิทยาศาสตร์ข้อมูลและวิศวกรการเรียนรู้ของเครื่อง การเลือกรวมถึงแหล่งที่มาที่หลากหลาย ตั้งแต่บัญชี Twitter ไปจนถึงบล็อกวิศวกรรมเต็มรูปแบบ ซึ่งกำหนดเป้าหมายไปยังผู้ที่ทราบแน่ชัดว่าพวกเขากำลังมองหาอะไร รายละเอียดภายใต้การตัด
จากผู้เขียน:
คุณเป็นอย่างที่คุณกิน และในฐานะคนทำงานด้านความรู้ คุณต้องมีอาหารที่มีข้อมูลที่ดี ฉันต้องการแบ่งปันแหล่งข้อมูลเกี่ยวกับวิทยาศาสตร์ข้อมูล ปัญญาประดิษฐ์ และเทคโนโลยีที่เกี่ยวข้อง ซึ่งฉันคิดว่ามีประโยชน์หรือน่าสนใจที่สุด ฉันหวังว่านี่จะช่วยคุณได้เช่นกัน!
เอกสารสองนาที
ช่อง YouTube ที่เหมาะเป็นอย่างยิ่งในการติดตามเหตุการณ์ล่าสุด ช่องได้รับการอัปเดตบ่อยครั้งและโฮสต์มีความกระตือรือร้นและแง่บวกในทุกหัวข้อที่ครอบคลุม คาดหวังความครอบคลุมของงานที่น่าสนใจไม่เพียงแค่เกี่ยวกับ AI เท่านั้น แต่ยังครอบคลุมถึงคอมพิวเตอร์กราฟิกและหัวข้ออื่นๆ ที่ดึงดูดสายตาอีกด้วย
ยานนิค คิลเชอร์
Yannick อธิบายการวิจัยที่สำคัญเกี่ยวกับการเรียนรู้เชิงลึกในรายละเอียดทางเทคนิคในช่อง YouTube ของเขา แทนที่จะอ่านการศึกษาด้วยตัวเอง มักจะเร็วกว่าและง่ายกว่าหากดูวิดีโอใดวิดีโอหนึ่งเพื่อทำความเข้าใจบทความที่สำคัญอย่างลึกซึ้งยิ่งขึ้น คำอธิบายถ่ายทอดสาระสำคัญของบทความโดยไม่ละเลยคณิตศาสตร์หรือหลงทางในต้นสนสามใบ Yannick ยังแบ่งปันมุมมองของเขาเกี่ยวกับความสอดคล้องของการศึกษา การพิจารณาผลลัพธ์อย่างจริงจัง การตีความที่กว้างขึ้น และอื่นๆ ผู้เริ่มต้น (หรือผู้ปฏิบัติงานที่ไม่ใช่นักวิชาการ) พบว่ามันยากกว่าที่จะค้นพบสิ่งเหล่านี้ด้วยตัวเอง
distill.pub
ในคำพูดของพวกเขาเอง:
การวิจัยการเรียนรู้ของเครื่องต้องมีความชัดเจน ไดนามิก และมีชีวิตชีวา และดิสทิลถูกสร้างขึ้นเพื่อช่วยในการวิจัย
Distill เป็นสิ่งพิมพ์วิจัยการเรียนรู้ของเครื่องที่ไม่เหมือนใคร บทความได้รับการส่งเสริมด้วยการแสดงภาพที่สวยงามเพื่อให้ผู้อ่านเข้าใจหัวข้อได้ง่ายยิ่งขึ้น การคิดเชิงพื้นที่และจินตนาการมักจะทำงานได้ดีในการช่วยให้คุณเข้าใจหัวข้อ Machine Learning และ Data Science ในทางกลับกัน รูปแบบสิ่งพิมพ์แบบดั้งเดิมมีแนวโน้มที่จะมีโครงสร้างที่ตายตัว คงที่และแห้ง และในบางครั้ง
เซบาสเตียน รูดิเกอร์
Sebastian Ruder เขียนบล็อกและจดหมายข่าวที่ให้ข้อมูลมาก โดยหลักแล้วเกี่ยวกับจุดตัดของโครงข่ายประสาทเทียมและการวิเคราะห์ข้อความภาษาธรรมชาติ เขายังให้คำแนะนำมากมายแก่นักวิจัยและวิทยากรการประชุม ซึ่งจะมีประโยชน์มากหากคุณอยู่ในสายวิชาการ บทความของ Sebastian มักจะอยู่ในรูปแบบของบทวิจารณ์ สรุปและอธิบายความทันสมัยของการวิจัยและวิธีการในพื้นที่ที่กำหนด ซึ่งหมายความว่าบทความมีประโยชน์อย่างมากสำหรับผู้ปฏิบัติงานที่ต้องการได้รับแบริ่งอย่างรวดเร็ว เซบาสเตียนเขียนด้วย
อันเดรย์ คาร์ปาตี
Andrei Karpaty ไม่ต้องการคำแนะนำ นอกจากจะเป็นหนึ่งในนักวิจัยการเรียนรู้เชิงลึกที่มีชื่อเสียงที่สุดในโลกแล้ว เขายังสร้างเครื่องมือที่ใช้กันอย่างแพร่หลายเช่น
อูเบอร์ เอ็นจิเนียริ่ง
บล็อกด้านวิศวกรรมของ Uber นั้นน่าประทับใจมากในแง่ของขนาดและความครอบคลุม โดยเฉพาะอย่างยิ่งครอบคลุมหัวข้อต่างๆ มากมาย
ลุดวิก h3 ตอบสนอง-vis ฐานข้อมูล - และรายการก็ดำเนินต่อไป ... เลิกใช้ Uber
บล็อก OpenAI
นอกเหนือจากการโต้เถียงแล้ว บล็อก OpenAI นั้นยอดเยี่ยมอย่างปฏิเสธไม่ได้ ในบางครั้ง บล็อกจะโพสต์เนื้อหาและข้อมูลเชิงลึกเกี่ยวกับการเรียนรู้เชิงลึกที่สามารถมาในระดับ OpenAI เท่านั้น: สมมุติฐาน
ทาบูล่าบล็อก
บล็อกของ Taboola ไม่ได้เป็นที่รู้จักกันดีเท่าแหล่งข้อมูลอื่น ๆ ในโพสต์นี้ แต่ฉันคิดว่ามันไม่เหมือนใคร - ผู้เขียนเขียนเกี่ยวกับปัญหาที่เกิดขึ้นจริงมากเมื่อพยายามใช้ ML ในการผลิตสำหรับธุรกิจ "ปกติ": น้อยลงเกี่ยวกับ รถยนต์ไร้คนขับและตัวแทน RL ที่คว้าแชมป์โลก เพิ่มเติมเกี่ยวกับ "ฉันจะรู้ได้อย่างไรว่าแบบจำลองของฉันกำลังคาดการณ์สิ่งต่างๆ ด้วยความมั่นใจที่ผิดพลาด" ประเด็นเหล่านี้เกี่ยวข้องกับเกือบทุกคนที่ทำงานในภาคสนามและได้รับการรายงานข่าวน้อยกว่าหัวข้อ AI ทั่วไป แต่ก็ยังต้องใช้ความสามารถระดับโลกเพื่อแก้ไขปัญหาเหล่านี้อย่างเหมาะสม โชคดีที่ Taboola มีทั้งพรสวรรค์และความเต็มใจและความสามารถในการเขียนเกี่ยวกับเรื่องนี้เพื่อให้คนอื่นสามารถเรียนรู้ได้เช่นกัน
นอกจาก Twitter แล้ว ไม่มีอะไรที่ดีไปกว่า Reddit ในการค้นคว้าข้อมูล เครื่องมือ หรือภูมิปัญญาของฝูงชน
สถานะของ AI
มีการเผยแพร่โพสต์ทุกปีเท่านั้น แต่เต็มไปด้วยข้อมูลหนาแน่นมาก เมื่อเทียบกับแหล่งข้อมูลอื่นในรายการนี้ แหล่งข้อมูลนี้สามารถเข้าถึงได้มากกว่าสำหรับนักธุรกิจที่ไม่มีเทคโนโลยี สิ่งที่ฉันชอบเกี่ยวกับการพูดคุยคือพวกเขาพยายามให้มุมมองแบบองค์รวมมากขึ้นว่าอุตสาหกรรมและการวิจัยกำลังมุ่งหน้าไปทางไหน โดยเชื่อมโยงความก้าวหน้าในด้านฮาร์ดแวร์ การวิจัย ธุรกิจ และแม้แต่การเมืองจากมุมสูงเข้าด้วยกัน อย่าลืมเริ่มต้นในตอนท้ายเพื่ออ่านเกี่ยวกับผลประโยชน์ทับซ้อน
พอดคาสต์
ฉันคิดว่าพอดแคสต์ไม่เหมาะกับการเรียนรู้เกี่ยวกับหัวข้อทางเทคนิค ท้ายที่สุด พวกเขาใช้เพียงเสียงในการอธิบายหัวข้อต่างๆ และวิทยาศาสตร์ข้อมูลก็เป็นสาขาที่มองเห็นได้ชัดเจน พ็อดคาสท์มักจะเป็นข้ออ้างให้คุณสำรวจในเชิงลึกในภายหลัง หรือเพื่อการสนทนาเชิงปรัชญา อย่างไรก็ตาม ต่อไปนี้คือคำแนะนำบางประการ:
พอดคาสต์เล็กซ์ฟรีดแมน เมื่อเขาพูดคุยกับนักวิจัยที่โดดเด่นในด้านปัญญาประดิษฐ์ ตอนกับ Francois Chollet นั้นดีมาก!พอดคาสต์วิศวกรรมข้อมูล . ยินดีที่ได้ทราบเกี่ยวกับเครื่องมือโครงสร้างพื้นฐานข้อมูลใหม่
รายการที่ยอดเยี่ยม
มีอะไรให้ติดตามน้อยลง แต่มีแหล่งข้อมูลเพิ่มเติมที่เป็นประโยชน์เมื่อคุณรู้ว่าคุณกำลังมองหาอะไร:
แม็ตตี้ มาเรียนสกี้
Matty ค้นพบวิธีที่สวยงามและสร้างสรรค์ในการใช้โครงข่ายประสาทเทียม และเป็นเรื่องสนุกที่ได้เห็นผลลัพธ์ของเขาบนฟีด Twitter ของคุณ ลองดูอย่างน้อยนี้ เสาโอริ โคเฮน
Ori เป็นเพียงเครื่องจักรขับเคลื่อนบล็อก . เขาเขียนเกี่ยวกับปัญหาและวิธีแก้ปัญหาสำหรับนักวิทยาศาสตร์ข้อมูลอย่างกว้างขวาง อย่าลืมสมัครสมาชิกเพื่อรับการแจ้งเตือนเมื่อมีการเผยแพร่บทความ ของเขาชุด โดยเฉพาะอย่างยิ่งน่าประทับใจจริงๆเจเรมี ฮาเวิร์ด
ผู้ร่วมก่อตั้ง fast.ai แหล่งรวมความคิดสร้างสรรค์และประสิทธิภาพการทำงานฮาเมล ฮุสเซน
Hamel Hussain ซึ่งเป็นพนักงานวิศวกร ML ที่ Github กำลังง่วนอยู่กับการสร้างและรายงานเกี่ยวกับเครื่องมือมากมายสำหรับผู้เขียนโค้ดในโดเมนข้อมูลฟรองซัวส์ โชเล่ต์
ผู้สร้าง Keras ในขณะนี้พยายามที่จะ อัปเดตความเข้าใจของเราเกี่ยวกับความฉลาดและวิธีทดสอบฮาร์ดมารู
นักวิทยาศาสตร์การวิจัยที่ Google Brain
ข้อสรุป
โพสต์ต้นฉบับอาจได้รับการอัปเดตเนื่องจากผู้เขียนพบแหล่งเนื้อหาที่ยอดเยี่ยมซึ่งน่าเสียดายที่จะไม่รวมอยู่ในรายการ อย่าลังเลที่จะติดต่อเขา
พัฒนาโดยการอ่านแหล่งที่แนะนำและตามรหัสส่งเสริมการขาย ฮาเบอร์คุณจะได้รับส่วนลดเพิ่มอีก 10% ตามที่ระบุไว้บนแบนเนอร์
Bootcamp วิทยาศาสตร์ข้อมูลออนไลน์ ฝึกอบรมวิชาชีพนักวิเคราะห์ข้อมูลตั้งแต่เริ่มต้น Bootcamp การวิเคราะห์ข้อมูลออนไลน์ สอนวิชาชีพด้าน Data Science ตั้งแต่เริ่มต้น Python สำหรับหลักสูตรการพัฒนาเว็บ
หลักสูตรเพิ่มเติม
หลักสูตรการวิเคราะห์ข้อมูล หลักสูตร DevOps อาชีพนักพัฒนาเว็บ อาชีพ นักพัฒนา iOS ตั้งแต่เริ่มต้น นักพัฒนา Android มืออาชีพตั้งแต่เริ่มต้น นักพัฒนา Java มืออาชีพตั้งแต่เริ่มต้น หลักสูตรจาวาสคริปต์ หลักสูตรการเรียนรู้ของเครื่อง หลักสูตร "คณิตศาสตร์และการเรียนรู้ของเครื่องสำหรับวิทยาศาสตร์ข้อมูล" หลักสูตรขั้นสูง "Machine Learning Pro + Deep Learning"
บทความที่แนะนำ
จะเป็นนักวิทยาศาสตร์ข้อมูลได้อย่างไรโดยไม่ต้องเรียนหลักสูตรออนไลน์ 450 หลักสูตร Ivy League ฟรี วิธีเรียน Machine Learning 5 วันต่อสัปดาห์ 9 เดือนติดต่อกัน นักวิเคราะห์ข้อมูลมีรายได้เท่าใด: ภาพรวมของเงินเดือนและตำแหน่งงานว่างในรัสเซียและต่างประเทศในปี 2020 แมชชีนเลิร์นนิงและคอมพิวเตอร์วิทัศน์ในอุตสาหกรรมเหมืองแร่
ที่มา: will.com