Recueil de données scientifiques

Habr, bonjour!

Pendant longtemps, j'ai réalisé un condensé sur Habr dédié à l'IA et au BigData. Maintenant, je veux le restaurer et faire une fois par mois une sélection de matériaux intéressants dans le domaine de la science des données.

En janvier, j'ai commencé une enquête auprès des scientifiques des données sur leurs outils de travail. Pendant ce temps, plus de 600 personnes y ont déjà participé. Jusqu'au 3 mars, vous pouvez toujours y participer , si vous ne l'avez pas déjà fait. J'ai l'intention de publier les résultats le 10 mars, mais pour l'instant je propose une nouvelle sélection de matériaux sous la coupe.

Les articles

• Mettre à l'échelle la productivité de l'apprentissage automatique sur LinkedIn - sur l'approche de LinkedIn pour faire évoluer les systèmes ML et partager les connaissances entre les ingénieurs.
• Segmentation d'images à l'aide du module scikit-image de Python - Un aperçu des méthodes de segmentation d'images utilisant scikit-image.
• Classification du cancer du sein avec Keras et Deep Learning - sur le développement d'un modèle ML pour prédire le cancer du sein à l'aide d'images histologiques.
• Présentation des algorithmes TOP pour l'apprentissage automatique. Partie 1 - dans la première partie, différents types d'apprentissage automatique sont pris en compte, ainsi que des algorithmes tels que la régression linéaire, K-Nearest Neighbors (kNN) et un réseau neuronal convolutionnel. Des exemples Python sont inclus.
• Création de modèles d'apprentissage automatique entièrement personnalisés sur AWS SageMaker - Un guide pratique pour travailler avec AWS SageMaker.
• Keras, Regression et CNNs - sur le développement d'un réseau neuronal convolutif pour prédire la régression à l'aide de Keras et prédire les prix des logements sur la base d'un ensemble d'images.
• Ce que Kagglers utilise pour la classification de texte - un aperçu des modèles de classification de texte avec des exemples de leur utilisation.
• AlphaStar: Maîtriser le jeu de stratégie en temps réel StarCraft II concerne AlphaStar, qui a valu à StarCraft II les meilleurs joueurs professionnels.
• Fashion MNIST avec Keras et Deep Learning consiste à créer un réseau neuronal convolutif pour classer les vêtements à l'aide du jeu de données Fashion MNIST.
• Une comparaison des différents GPU en termes de performances et de prix pour le Deep Learning peut être trouvée dans le matériel Tim Dettmers, qu'il met constamment à jour. Et si vous avez besoin de serveurs multi-GPU pour travailler, je serai heureux de vous aider. Vous pouvez m'écrire en PM.
• Un aperçu de l'écosystème PNL dans R - Carte Mindmap de l'écosystème PNL dans R.
• Cadre pour un meilleur apprentissage en profondeur .
• Prédire la consommation d'électricité irlandaise avec les réseaux de neurones en R et Python - sur la création d'un réseau de neurones pour prédire la consommation d'énergie en R et Python.

Les projets

• Papers with Code est un projet qui contient des liens vers des articles d'apprentissage automatique avec du code associé.
• Recommandateurs est un projet open source de Microsoft qui recueille les meilleures pratiques pour la création de systèmes de recommandation.

Livres

• MATLAB Deep Learning: avec l'apprentissage automatique, les réseaux de neurones et l'intelligence artificielle par Phil Kim
• Grands livres pour la science des données
• 13 livres de mathématiques classiques pour les apprenants à vie

Vidéo

• Deep Learning UC Berkeley STAT-157 2019

Les événements

• Le 16 mars, la 6e conférence annuelle Data Science UA se tiendra à Kiev. Le programme sur le site, code promotionnel de réduction - DataScienceDigest.
• Liste des conférences sur le Machine Learning / Deep Learning en 2019

J'ai une version anglaise de ce condensé, à laquelle vous pouvez vous abonner ici . J'ai également créé pour les groupes de résumés dans les réseaux sociaux ( Facebook , Twitter , Telegram ) et pour que, sans attendre la date de sortie du résumé, je publie immédiatement des liens vers des documents intéressants.

Si vous êtes d'Odessa, rejoignez notre groupe sur FB ou meetup.com .

Merci d'avoir lu ce numéro. J'espère que chacun a trouvé quelque chose d'utile. Je serais reconnaissant pour toute suggestion pour le prochain résumé.