Data Science Digest

Habr, hallo!

Lange Zeit habe ich einen Digest über Habr durchgeführt, der AI und BigData gewidmet ist. Jetzt möchte ich es wiederherstellen und einmal im Monat eine Auswahl interessanter Materialien aus dem Bereich Data Science treffen.

Im Januar begann ich eine Umfrage unter Datenwissenschaftlern zu ihren Arbeitswerkzeugen. In dieser Zeit haben bereits mehr als 600 Personen daran teilgenommen. Bis zum 3. März können Sie noch daran teilnehmen , sofern Sie dies noch nicht getan haben. Ich habe vor, die Ergebnisse am 10. März zu veröffentlichen, aber jetzt biete ich eine neue Auswahl an Materialien unter dem Schnitt an.

Artikel

• Skalieren der Produktivität des maschinellen Lernens bei LinkedIn - über den Ansatz von LinkedIn , ML-Systeme zu skalieren und Wissen zwischen Ingenieuren auszutauschen.
• Bildsegmentierung mit dem Scikit-Image-Modul von Python - Ein Überblick über Bildsegmentierungsmethoden mit Scikit-Image.
• Brustkrebsklassifizierung mit Keras und Deep Learning - über die Entwicklung eines ML-Modells zur Vorhersage von Brustkrebs anhand histologischer Bilder.
• Übersicht über die TOP-Algorithmen für maschinelles Lernen. Teil 1 - Im ersten Teil werden verschiedene Arten des maschinellen Lernens sowie Algorithmen wie lineare Regression, K-Nearest Neighbors (kNN) und ein Faltungsnetzwerk betrachtet. Python-Beispiele sind enthalten.
• Erstellen vollständig benutzerdefinierter Modelle für maschinelles Lernen auf AWS SageMaker - Eine praktische Anleitung zur Arbeit mit AWS SageMaker.
• Keras, Regression und CNNs - zur Entwicklung eines Faltungsnetzwerks zur Vorhersage der Regression mithilfe von Keras und zur Vorhersage der Immobilienpreise anhand einer Reihe von Bildern.
• Was Kagglers für die Textklassifizierung verwenden - eine Übersicht über Modelle zur Klassifizierung von Text mit Beispielen für ihre Verwendung.
• AlphaStar: Beherrschen des Echtzeit-Strategiespiels StarCraft II handelt von AlphaStar, mit dem StarCraft II als bester Profispieler ausgezeichnet wurde.
• Fashion MNIST mit Keras und Deep Learning - Informationen zum Erstellen eines neuronalen Faltungsnetzwerks zur Klassifizierung von Kleidung mithilfe des Fashion MNIST-Datensatzes.
• Ein Vergleich verschiedener GPUs in Bezug auf Leistung und Preis für Deep Learning findet sich im Material von Tim Dettmers, das er ständig aktualisiert. Und wenn Sie Multi-GPU-Server für die Arbeit benötigen, helfe ich Ihnen gerne dabei. Sie können mir in PM schreiben.
• Ein Überblick über das NLP-Ökosystem in R - Mindmap-Karte des NLP-Ökosystems in R.
• Rahmen für besseres Deep Learning .
• Vorhersage des irischen Stromverbrauchs mit neuronalen Netzen in R und Python - über die Erstellung eines neuronalen Netzes zur Vorhersage des Energieverbrauchs in R und Python.

Projekte

• Papers with Code ist ein Projekt, das Links zu Artikeln über maschinelles Lernen sowie zugehörigen Code enthält.
• Recommenders ist ein Open-Source-Projekt von Microsoft, das Best Practices für die Erstellung von Empfehlungssystemen sammelt.

Bücher

• MATLAB Deep Learning: Mit maschinellem Lernen, neuronalen Netzen und künstlicher Intelligenz von Phil Kim
• Tolle Bücher für Data Science
• 13 Klassische Mathematikbücher für lebenslange Lernende

Video

• Deep Learning UC Berkeley STAT-157 2019

Ereignisse

• Am 16. März findet in Kiew die 6. jährliche Data Science UA- Konferenz statt. Das Programm auf der Website, Rabatt-Aktionscode - DataScienceDigest.
• Liste der Konferenzen für maschinelles Lernen / Deep Learning im Jahr 2019

Ich habe eine englische Version dieses Digests, die Sie hier abonnieren können. Ich habe auch für die Digest-Gruppen in sozialen Netzwerken ( Facebook , Twitter , Telegramm ) erstellt und veröffentlicht, ohne auf das Veröffentlichungsdatum des Digests zu warten, sofort Links zu interessanten Materialien in diesen.

Wenn Sie aus Odessa kommen, treten Sie unserer Gruppe bei FB oder meetup.com bei .

Vielen Dank, dass Sie diese Ausgabe gelesen haben. Ich hoffe, jeder hat etwas Nützliches für sich gefunden. Ich wäre dankbar für Vorschläge für die nächste Verdauung.