Data Science Digest (août 2019)

Salutations à tous! DataFest revient en Ukraine et se tiendra le 7 septembre à Odessa. Un programme est en cours de création, mais si vous souhaitez faire une présentation, vous pouvez soumettre votre sujet ici . Inscrivez-vous en tant que membre ici . Je vous rappelle que le condensé a sa propre chaîne Telegram et des pages sur les réseaux sociaux ( Facebook , Twitter , LinkedIn ), où je publie quotidiennement des liens vers des documents utiles. Rejoignez-nous maintenant!

En attendant, je vous propose une nouvelle sélection de matières sous la coupe.

Les articles

• Recommandations personnalisées pour les expériences utilisant le Deep Learning - dans cet article, vous apprendrez comment le modèle récemment recommandé TripAdvisor pour vous (RFY) génère des recommandations personnalisées sur un site Web en utilisant l'historique de navigation et le deep learning.
• Création de pipelines de données avec Kafka - Cet article est destiné aux ingénieurs débutants qui vont construire leur premier pipeline de données basé sur Kafka.
• MIT Deep Learning Basics: Introduction and Overview with TensorFlow - Un aperçu de 7 architectures d'apprentissage en profondeur avec des liens vers des exemples TensorFlow pour chacune.
• Présentation de Dagster - une introduction à Dagster - une bibliothèque Python pour les applications de date de construction basées sur des processus ETL ou des pipelines ML. Lien vers itHub .
• Utiliser DVC pour créer un système de contrôle de version efficace pour les projets de données - dans cet article, vous apprendrez ce qu'est DVC et comment l'utiliser pour versionner un projet.
• Top 10 des erreurs statistiques commises par les scientifiques des données - 10 erreurs que les scientifiques des données commettent en utilisant des statistiques, y compris des exemples et des solutions.
• Détection d'anomalies pour les nuls - l'article traite de la détection des anomalies non contrôlées pour les données unidimensionnelles et multidimensionnelles, ainsi que diverses stratégies pour leur détection. Cahier Jupyter.
• 25 astuces pour les pandas - 25 astuces pour travailler plus rapidement et mieux écrire du code à l'aide de pandas.
• Conseils pour la formation de modèles de vraisemblance - dans cet article, vous découvrirez les méthodes courantes de formation de modèles génératifs qui optimisent la probabilité de modèles autorégressifs et de normalisation des flux.
• Panel: une application de haut niveau et une solution de tableau de bord pour l'écosystème PyData - une introduction à Panel - une nouvelle bibliothèque Python qui vous permet de créer des applications Web interactives personnalisées et des tableaux de bord.
• Comment effectuer la reconnaissance faciale avec VGGFace2 dans Keras - dans cet article, vous découvrirez les modèles VGGFace et VGGFace2 pour la reconnaissance faciale; comment développer un système d'identification des visages pour prédire les noms des célébrités à partir de photographies données; comment développer un système de vérification du visage pour vérifier l’identité d’une personne à partir d’une photographie.
• Recherche d'architecture neuronale au CVPR 2019 - dans cet article, vous découvrirez la recherche d'architecture neuronale (NAS) et comment le NAS a été introduit au CVPR 2019.
• Et voilà! - Dans cet article, vous apprendrez comment Voilà transforme les blocs-notes Jupyter en applications Web autonomes.
• Création de la plate - forme d'automatisation du marketing de Lyft - Un article sur la plate-forme de marketing de Lyft, qui repose sur l'apprentissage automatique.
• Meilleures ressources pour commencer avec les GAN - Une sélection de bonnes ressources pour l'apprentissage des réseaux contradictoires génératifs: méthodes d'utilisation, présentations vidéo, articles et livres sur les GAN.

Projet

• TRFL est une bibliothèque TensorFlow qui facilite la mise en œuvre d'agents d'apprentissage par renforcement développés par une équipe de recherche de DeepMind.
• Implémentations NumPy de divers modèles ML - un référentiel avec divers modèles d'apprentissage automatique basés sur NumPy.
• PyTorch Image Models - un référentiel de divers modèles ML sur PyTorch pour travailler avec des images.

Vidéo

• Vidéos ICML 2019 - vidéos et diapositives de la Conférence internationale sur l'apprentissage automatique.

Livres

• Avancé r
• Study E-Book - Le référentiel contient de nombreux livres électroniques sur la vision par ordinateur, l'apprentissage en profondeur, l'apprentissage automatique, les mathématiques, la PNL, Python et l'apprentissage par renforcement.

Les événements

• Moscow Data Science Major - 31 août, Moscou - une conférence gratuite de la communauté Open Data Science . 11 sections: Summer ML conf, SysML, Fail / cess story, ML trainings, A / B testing, NLP, PyData, ML4SG, CV / Learn to match, DS 4 Life, Random beer. La participation est gratuite, l' inscription est obligatoire.
• Odessa Data Fest - le 7 septembre, Odessa est une conférence gratuite de la communauté Open Data Science . 4 sections: Computer Vision, NLP, SysML, Business & Cases. La participation est gratuite, l' inscription est obligatoire.
• Data Science fwdays'19 - 7 septembre, Kiev - une conférence sur l'IA et la science des données. 2 flux de rapports vous attendent; coins de discussion; afterparty. Billets Pour les lecteurs du résumé, une remise de 15% sur le code promotionnel: digest_fwdays.
• AI Ukraine 2019 - 21-22 septembre, Kiev - l'une des plus puissantes conférences sur l'IA en Ukraine cette année se déroulera en 3 volets: Data Science et Machine Learning; Big Data et Analytics; Business AI et startups. Le programme est déjà sur le site. Pour les lecteurs du condensé, une remise de 7% sur le code promotionnel: DSDigest-AI2019.
• Conférence Data Science UA - 19 octobre, Kiev - 7e conférence sur l'apprentissage automatique, l'intelligence artificielle et la science des données à Kiev. Réseautage productif et connaissances techniques. Plus de 500 participants et 20 conférenciers, 3 volets. Plus d'infos . Pour les lecteurs du condensé, une remise de 10% sur le code promo: DSUA_Digest.

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. Rejoignez la chaîne Telegram du condensé et ses pages sur les réseaux sociaux: Medium , Facebook , Twitter , LinkedIn .

← Version précédente: Data Science Digest (juillet 2019)