Resumen de ciencia de datos

Habr, hola!

Durante mucho tiempo realicé un resumen en Habr dedicado a AI y BigData. Ahora quiero restaurarlo y una vez al mes hacer una selección de materiales interesantes del campo de la ciencia de datos.

En enero, comencé una encuesta de científicos de datos sobre sus herramientas de trabajo. Durante este tiempo, más de 600 personas ya han participado en él. Hasta el 3 de marzo, aún puede participar , si aún no lo ha hecho. Planeo publicar los resultados el 10 de marzo, pero por ahora ofrezco una nueva selección de materiales bajo el corte.

Artículos

• Escalando la productividad del aprendizaje automático en LinkedIn : sobre el enfoque de LinkedIn para escalar los sistemas de ML y compartir el conocimiento entre los ingenieros.
• Segmentación de imagen con el módulo scikit-image de Python : una descripción general de los métodos de segmentación de imagen con scikit-image.
• Clasificación del cáncer de mama con Keras y Deep Learning : sobre el desarrollo de un modelo ML para predecir el cáncer de mama mediante imágenes histológicas.
• Descripción general de los algoritmos TOP para el aprendizaje automático. Parte 1 : en la primera parte, se consideran varios tipos de aprendizaje automático, así como algoritmos como la regresión lineal, Vecinos K-Nearest (kNN) y una red neuronal convolucional. Se incluyen ejemplos de Python.
• Creación de modelos de aprendizaje automático totalmente personalizados en AWS SageMaker : una guía práctica para trabajar con AWS SageMaker.
• Keras, Regresión y CNN : sobre el desarrollo de una red neuronal convolucional para predecir la regresión utilizando Keras y predecir los precios de la vivienda en función de un conjunto de imágenes.
• Lo que Kagglers está utilizando para la Clasificación de texto : una descripción general de los modelos para clasificar texto con ejemplos de su uso.
• AlphaStar: Dominar el juego de estrategia en tiempo real StarCraft II trata sobre AlphaStar, que ganó a StarCraft II como los mejores jugadores profesionales.
• Fashion MNIST con Keras y Deep Learning : sobre cómo crear una red neuronal convolucional para clasificar la ropa usando el conjunto de datos Fashion MNIST.
• Se puede encontrar una comparación de diferentes GPU en términos de rendimiento y precio para el aprendizaje profundo en el material de Tim Dettmers, que actualiza constantemente. Y si necesita servidores Multi-GPU para trabajar, con gusto lo ayudaré. Puedes escribirme en PM.
• Una visión general del ecosistema de PNL en R - Mapa mental del ecosistema de PNL en R.
• Marco para un mejor aprendizaje profundo .
• Predicción del consumo de electricidad irlandés con redes neuronales en R y Python : sobre la creación de una red neuronal para predecir el consumo de energía en R y Python.

Proyectos

• Papers with Code es un proyecto que contiene enlaces a artículos de aprendizaje automático junto con código relacionado.
• Recomendaciones es un proyecto de código abierto de Microsoft que recopila las mejores prácticas para crear sistemas de recomendación.

Libros

• MATLAB Deep Learning: con aprendizaje automático, redes neuronales e inteligencia artificial por Phil Kim
• Grandes libros para la ciencia de datos.
• 13 libros clásicos de matemáticas para estudiantes de por vida

Video

• Aprendizaje profundo UC Berkeley STAT-157 2019

Eventos

• El 16 de marzo, la sexta conferencia anual de Data Science UA se llevará a cabo en Kiev. El programa en el sitio, código promocional de descuento - DataScienceDigest.
• Lista de conferencias Machine Learning / Deep Learning en 2019

Tengo una versión en inglés de este resumen, a la que puedes suscribirte aquí . También creé para los grupos de resumen en las redes sociales ( Facebook , Twitter , Telegram ) y para que, sin esperar la fecha de lanzamiento del resumen, publique inmediatamente enlaces a materiales interesantes en ellos.

Si eres de Odessa, únete a nuestro grupo en FB o meetup.com .

Gracias por leer este número. Espero que todos hayan encontrado algo útil para ellos. Le agradecería cualquier sugerencia para el próximo resumen.