Clever Geek Handbook

Was für einen Datenwissenschaftler im Jahr 2020 zu lesen

In diesem Beitrag geben wir Ihnen eine Auswahl von Einblicken in Data Science vom Mitbegründer und CTO von DAGsHub, einer Community und Webplattform für die Kontrolle von Datenrevisionen und die Zusammenarbeit zwischen Datenwissenschaftlern und Ingenieuren des maschinellen Lernens. Die Sammlung umfasst eine Vielzahl von Quellen, von Twitter-Konten bis hin zu vollwertigen Engineering-Blogs, die sich an diejenigen richten, die genau wissen, wonach sie suchen. Details unter dem Schnitt.



Vom Autor:

Sie sind das, was Sie essen, und als Wissensarbeiter benötigen Sie eine gute Informationsdiät. Ich möchte die Informationsquellen zu Data Science, künstlicher Intelligenz und verwandten Technologien teilen, die ich am nützlichsten oder attraktivsten finde. Ich hoffe das hilft dir auch!


Zwei Minuten Papiere

Ein YouTube-Kanal, der gut ist, um mit den neuesten Nachrichten Schritt zu halten. Der Kanal wird regelmäßig aktualisiert und der Moderator hat eine ansteckende Begeisterung und eine positive Einstellung zu allen behandelten Themen. Erwarten Sie interessante Arbeiten nicht nur zur KI, sondern auch zu Computergrafiken und anderen visuell ansprechenden Themen.



Yannick Kilcher

Auf seinem YouTube-Kanal erklärt Yannick technisch bedeutungsvolle Forschung im Bereich Deep Learning in technischen Details. Anstatt die Studie selbst zu lesen, ist es oft schneller und einfacher, eines der Videos anzusehen, um ein tieferes Verständnis für wichtige Artikel zu erlangen. Die Erklärungen vermitteln die Essenz der Artikel, ohne die Mathematik zu vernachlässigen und ohne sich in den drei Kiefern zu verlieren. Yannick teilt auch seine Ansichten darüber, wie die Studien miteinander verglichen werden, wie ernst die Ergebnisse zu nehmen sind, breitere Interpretationen usw. Für Anfänger (oder nicht-akademische Praktiker) ist es schwieriger, selbst zu diesen Entdeckungen zu gelangen.



Destill.pub

In ihren eigenen Worten:



Die Forschung zum maschinellen Lernen muss klar, dynamisch und dynamisch sein. Und Distill wurde geschaffen, um bei der Forschung zu helfen.


Distill ist eine einzigartige Publikation mit maschinellem Lernen. Artikel werden mit atemberaubenden Visualisierungen beworben, um dem Leser ein intuitiveres Verständnis der Themen zu ermöglichen. Räumliches Denken und Vorstellungskraft tragen in der Regel sehr gut dazu bei, die Themen Maschinelles Lernen und Datenwissenschaft zu verstehen. Im Gegensatz dazu sind herkömmliche Veröffentlichungsformate in ihrer Struktur starr, statisch und trocken und manchmal „mathematisch“ . Chris Olah, einer der Schöpfer von Distill, unterhält auch einen erstaunlichen persönlichen Blog auf GitHub . Es wurde schon lange nicht mehr aktualisiert, aber es bleibt eine Sammlung der besten Erklärungen, die jemals zum Thema Deep Learning geschrieben wurden. Insbesondere die Beschreibung von LSTM hat mir sehr geholfen !





eine Quelle



Sebastian Ruder

Sebastian Ruder schreibt einen sehr informativen Blog und Newsletter, hauptsächlich über die Schnittstelle zwischen neuronalen Netzen und Textanalyse in natürlicher Sprache. Er gibt auch Forschern und Referenten auf wissenschaftlichen Konferenzen viele Ratschläge, was sehr hilfreich sein kann, wenn Sie im akademischen Bereich sind. Sebastians Artikel sind in der Regel in Form von Übersichten verfasst, in denen der Stand der modernen Forschung und Methoden in einem bestimmten Bereich zusammengefasst und erläutert wird. Dies bedeutet, dass die Artikel für Praktiker, die sich schnell orientieren möchten, äußerst nützlich sind. Sebastian twittert auch .



Andrey Karpati

Andrey Karpati braucht keine Einführung. Er ist nicht nur einer der bekanntesten Deep-Learning-Forscher der Welt, sondern entwickelt auch weit verbreitete Tools wie den Arxiv Sanity Preserver als Nebenprojekte. Unzählige Menschen haben das Feld über seinen Stanford-Kurs auf cs231n betreten , und Sie werden es hilfreich finden, sein Rezept zum Erlernen eines neuronalen Netzwerks zu kennen. Ich empfehle auch, seinen Vortrag über die realen Herausforderungen zu sehen, die Tesla bewältigen muss, wenn er versucht, maschinelles Lernen in großem Maßstab in der realen Welt anzuwenden. Die Sprache ist informativ, beeindruckend und ernüchternd. Neben Artikeln über ML direkt gibt Andrey Karpati gute Lebenstipps fürehrgeizige Wissenschaftler . Lesen Sie Andrew auf Twitter und Github .



Uber Engineering

Der Uber Engineering-Blog ist in Umfang und Breite wirklich beeindruckend und deckt eine Vielzahl von Themen ab, einschließlich künstlicher Intelligenz . Was mir an der Ingenieurkultur von Uber besonders gefällt, ist ihre Tendenz, einige sehr interessante und wertvolle Projekte mit Open Source in rasendem Tempo zu produzieren. Hier sind einige Beispiele:





OpenAI Blog

Abgesehen von Meinungsverschiedenheiten ist der OpenAI-Blog zweifellos wunderschön. Von Zeit zu Zeit veröffentlicht der Blog Inhalte und Ideen zum Thema Deep Learning, die nur auf der Skala von OpenAI verfügbar sind: ein hypothetisches Phänomen der tiefen doppelten Abstammung. Das OpenAI-Team neigt dazu, selten zu posten, aber es ist wichtig.





eine Quelle



Taboola Blog

Der Taboola-Blog ist nicht so bekannt wie einige der anderen Quellen in diesem Beitrag, aber ich finde ihn einzigartig - die Autoren schreiben über sehr alltägliche, reale Herausforderungen, wenn sie versuchen, ML in der Fertigung für ein "normales" Unternehmen anzuwenden: weniger selbstfahrende Autos und RL-Agenten gewinnen Weltmeister, mehr über "Woher weiß ich, dass mein Modell jetzt Dinge mit falschem Vertrauen vorhersagt?" Diese Probleme sind für fast alle in diesem Bereich tätigen Personen relevant und werden weniger in der Presse behandelt als die allgemeineren KI-Themen. Um diese Probleme richtig anzugehen, sind jedoch immer noch erstklassige Talente erforderlich. Glücklicherweise hat Taboola sowohl dieses Talent als auch die Bereitschaft und Fähigkeit, darüber zu schreiben, damit auch andere Menschen lernen können.



Reddit

Zusammen mit Twitter gibt es auf Reddit nichts Besseres, als sich auf Forschung, Tools oder die Weisheit der Menge einzulassen.





Zustand der KI

Beiträge werden nur jährlich veröffentlicht, aber sie sind sehr dicht mit Informationen gefüllt. Im Vergleich zu anderen Quellen auf dieser Liste ist diese für Nicht-Tech-Geschäftsleute leichter zugänglich. Was ich an den Berichten liebe, ist, dass sie versuchen, eine ganzheitlichere Sicht auf die Richtung von Industrie und Forschung zu bieten und Fortschritte in den Bereichen Hardware, Forschung, Wirtschaft und sogar Geopolitik aus der Vogelperspektive miteinander zu verbinden. Beginnen Sie am Ende, um Informationen zu Interessenkonflikten zu erhalten.



Podcasts

Ehrlich gesagt denke ich, dass Podcasts nicht dazu geeignet sind, technische Themen zu lernen. Schließlich verwenden sie nur Ton, um Themen zu erklären, und die Datenwissenschaft ist ein sehr visuelles Feld. Podcasts geben Ihnen in der Regel einen Grund, später eingehender zu recherchieren oder philosophische Diskussionen zu führen. Hier sind jedoch einige Richtlinien:





Tolle Listen

Hier ist weniger zu beachten, aber mehr Ressourcen, um zu helfen, wenn Sie wissen, wonach Sie suchen:





Twitter



  • , , — Twitter. .


  • — . -. , , . , , .


  • fast.ai, .


  • ML Github, .
  • François

    Chollet, der Schöpfer von Keras, versucht nun , unser Verständnis davon, was Intelligenz ist und wie man sietestet, zu aktualisieren.
  • Hardmaru Research

    Scientist bei Google Brain.




Fazit

Der ursprüngliche Beitrag kann aktualisiert werden, da der Autor großartige Quellen für Inhalte findet, deren Auflistung schade wäre. Folgen Sie ihm auf Twitter, wenn Sie eine neue Quelle empfehlen möchten! DAGsHub stellt auch Advocate ein [ca. übers. Praktiker in Data Science. Wenn Sie also Ihre eigenen Data Science-Inhalte erstellen, können Sie sich gerne an den Autor des Beitrags wenden.



Bild

Entwickeln Sie sich, indem Sie die empfohlenen Quellen lesen und den HABR-Gutscheincode verwenden . Sie erhalten zusätzliche 10% auf den auf dem Banner angegebenen Rabatt.





Weitere Kurse




empfohlene Artikel



More articles:


All Articles