🦄 🛍️ 👩‍💻 O que ler para um cientista de dados em 2020 🥇 👁‍🗨 👩🏻‍🤝‍👨🏼

Nesta postagem, compartilhamos com você uma seleção de insights sobre Data Science do cofundador e CTO da DAGsHub, uma comunidade e plataforma da web para controle de revisão de dados e colaboração entre cientistas de dados e engenheiros de aprendizado de máquina. A seleção inclui uma variedade de fontes, de contas do Twitter a blogs de engenharia completos, voltados para aqueles que sabem exatamente o que procuram. Detalhes sob o corte.

Do autor:

Você é o que come e, como trabalhador do conhecimento, precisa de uma boa dieta informativa. Quero compartilhar as fontes de informação sobre Ciência de Dados, Inteligência Artificial e tecnologias relacionadas que considero mais úteis ou atraentes. Espero que isso ajude você também!

Artigos de dois minutos

Um canal do YouTube que é bom para ficar por dentro das últimas notícias. O canal é atualizado com frequência, e o apresentador tem um entusiasmo contagiante e uma atitude positiva em todos os tópicos abordados. Espere cobrir trabalhos interessantes não apenas em IA, mas também em computação gráfica e outros tópicos visualmente atraentes.

Yannick Kilcher

Em seu canal no YouTube, Yannick explica tecnicamente a pesquisa significativa em aprendizado profundo em detalhes técnicos. Em vez de ler o estudo por conta própria, geralmente é mais rápido e fácil assistir a um de seus vídeos para obter uma compreensão mais profunda de artigos importantes. As explicações transmitem a essência dos artigos, sem descuidar da matemática e sem se perder nos três pinheiros. Yannick também compartilha suas opiniões sobre como os estudos se comparam entre si, como levar a sério os resultados, interpretações mais amplas, etc. É mais difícil para iniciantes (ou praticantes não acadêmicos) chegar a essas descobertas por conta própria.

Distill.pub

Em suas próprias palavras:

A pesquisa de aprendizado de máquina precisa ser clara, dinâmica e vibrante. E o Distill foi criado para ajudar nas pesquisas.

Distill é uma publicação exclusiva com pesquisa de aprendizado de máquina. Os artigos são promovidos com visualizações impressionantes para dar ao leitor uma compreensão mais intuitiva dos tópicos. O pensamento espacial e a imaginação tendem a funcionar muito bem para ajudar a compreender os tópicos de Aprendizado de Máquina e Ciência de Dados. Em contraste, os formatos tradicionais de publicação tendem a ser rígidos em sua estrutura, estáticos e secos, e às vezes “matemáticos” . Chris Olah, um dos criadores do Distill, também mantém um blog pessoal incrível no GitHub . Não é atualizado há muito tempo, mas ainda é uma coleção das melhores explicações já escritas sobre o tópico de aprendizagem profunda. Em particular, a descrição do LSTM me ajudou muito !

uma fonte

Sebastian Ruder

Sebastian Ruder escreve um blog e um boletim informativo muito informativo, principalmente sobre a interseção de redes neurais e análise de texto em linguagem natural. Ele também dá muitos conselhos a pesquisadores e apresentadores em conferências científicas, o que pode ser muito útil se você estiver na academia. Os artigos de Sebastian são geralmente na forma de análises, resumindo e explicando o estado da pesquisa e métodos modernos em uma área específica. Isso significa que os artigos são extremamente úteis para os profissionais que desejam se orientar rapidamente. Sebastian também tweeta .

Andrey Karpati

Andrey Karpati dispensa apresentações. Além de ser um dos pesquisadores de aprendizagem profunda mais famosos da Terra, ele cria ferramentas amplamente utilizadas como o preservador de sanidade arxiv como projetos paralelos. Inúmeras pessoas entraram no campo por meio de seu curso de Stanford em cs231n , e você achará útil conhecer sua receita para o treinamento de redes neurais. Também recomendo assistir sua palestra sobre os desafios do mundo real que Tesla deve superar ao tentar aplicar o aprendizado de máquina em uma escala massiva no mundo real. O discurso é informativo, impressionante e moderado. Além de artigos sobre ML diretamente, Andrey Karpati dá boas dicas de vida paracientistas ambiciosos . Leia Andrew no Twitter e no Github .

Engenharia Uber

O blog de engenharia do Uber é realmente impressionante em escala e amplitude, cobrindo uma tonelada de tópicos, incluindo inteligência artificial . O que eu particularmente gosto na cultura da engenharia do Uber é sua tendência de produzir alguns projetos muito interessantes e valiosos com código aberto em um ritmo alucinante. aqui estão alguns exemplos:

Ludwig
h3
reac-vis
aresdb
E a lista é infinita ... Tiremos o chapéu, Uber

OpenAI Blog

Desentendimentos à parte, o blog da OpenAI é sem dúvida lindo. De vez em quando, o blog posta conteúdo e ideias sobre aprendizagem profunda que só podem vir na escala do OpenAI: um hipotético fenômeno de dupla descida profunda. A equipe OpenAI tende a postar com pouca frequência, mas é importante.

uma fonte

Taboola Blog

O blog da Taboola não é tão conhecido como algumas das outras fontes neste post, mas acho que é único - os autores escrevem sobre desafios muito mundanos do mundo real ao tentar aplicar o ML na fabricação para um negócio "normal": menos carros autônomos e agentes RL vencendo campeões mundiais, mais sobre "como posso saber se meu modelo está prevendo coisas com falsa confiança?" Esses problemas são relevantes para quase todos os que trabalham no campo e recebem menos cobertura da imprensa do que os tópicos mais comuns de IA, mas ainda é necessário um talento de classe mundial para lidar com esses problemas de maneira adequada. Felizmente, Taboola tem esse talento e a vontade e a capacidade de escrever sobre ele para que outras pessoas também possam aprender.

Junto com o Twitter, não há nada melhor no Reddit do que ficar viciado em pesquisas, ferramentas ou a sabedoria da multidão.

Estado da IA

As postagens são publicadas apenas anualmente, mas são repletas de informações de forma muito densa. Em comparação com outras fontes desta lista, esta é mais acessível para empresários que não sejam de tecnologia. O que adoro nos relatórios é que eles tentam fornecer uma visão mais holística de para onde a indústria e a pesquisa estão caminhando, conectando avanços em hardware, pesquisa, negócios e até mesmo geopolítica de uma visão geral. Certifique-se de começar pelo final para ler sobre conflitos de interesse.

Podcasts

Francamente, acho que os podcasts não são adequados para tópicos técnicos. Afinal, eles só usam som para explicar tópicos, e a ciência de dados é um campo muito visual. Os podcasts tendem a dar a você um motivo para fazer pesquisas mais profundas mais tarde ou em discussões filosóficas envolventes. No entanto, aqui estão algumas diretrizes:

podcast de Lex Friedman quando ele fala com pesquisadores proeminentes no campo da inteligência artificial. Os episódios com François Schollet são especialmente bons!
Podcast de engenharia de dados . Bom saber sobre novas ferramentas de infraestrutura de dados.

Listas incríveis

Há menos a observar, mas mais recursos para ajudar quando você sabe o que está procurando:

Twitter

, , — Twitter. .
— . -. , , . , , .
fast.ai, .
ML Github, .
François

Chollet, o criador de Keras, está agora tentando atualizar nossa compreensão do que é inteligência e como testá-la.
Hardmaru Research

Scientist no Google Brain.

Conclusão

A postagem original pode ser atualizada conforme o autor encontra grandes fontes de conteúdo que seria uma pena não listar. Sinta-se à vontade para segui-lo no Twitter se quiser recomendar alguma nova fonte! A DAGsHub também contrata Advocate [aprox. trad. praticante público] em ciência de dados, portanto, se você estiver criando seu próprio conteúdo de ciência de dados, sinta-se à vontade para escrever para o autor da postagem.

Desenvolva- se lendo as fontes recomendadas, e usando o código promocional HABR , você ganha um adicional de 10% sobre o desconto indicado no banner.

Mais cursos

O que ler para um cientista de dados em 2020