Data Science Digest (octobre 2019)

Salutations à tous!

Découvrez le dernier numéro du condensé avec une sélection de matériaux intéressants et utiles sous la coupe.

Les articles

• La rubrique «Lisez des articles pour vous». Juillet - septembre 2019 - critiques d'articles scientifiques de membres de la communauté Open Data Science de la chaîne #article_essense. Si vous souhaitez les recevoir avant tout le monde - rejoignez la communauté !
• Comment apprendre la science des données gratuitement est un bon article qui décrit comment apprendre la science des données, y compris les ressources.
• L'état des cadres d'apprentissage automatique en 2019 - analyse des cadres préférés dans l'industrie: ce qu'ils choisissent et où tout bouge.
• Google ML / AI Comic - une bande dessinée amusante de Google.
• Naive Bayes Classifier From Scratch en Python - article sur l'algorithme du classificateur bayésien "naïf", comment il fonctionne et comment l'implémenter à partir de zéro en Python.
• Développer k-voisins les plus proches en Python à partir de zéro - article sur l'algorithme k-voisins les plus proches: comment cela fonctionne et comment l'implémenter à partir de zéro en Python.
• MLOps Tooling - Un petit aperçu de plusieurs outils (Kubeflow, MLFlow, SageMaker, Dask et Rapids) pour créer et gérer des modèles d'apprentissage automatique.
• Transformez les scripts Python en magnifiques outils ML - article sur le nouveau cadre Streamlit pour créer rapidement des applications ML personnalisées.
• Aperçu des méthodes de sélection des fonctionnalités - Un examen des méthodes de sélection des fonctionnalités existantes pour les tâches d'apprentissage avec et sans professeur.
• TensorFlow 2.0 + Keras Overview for Deep Learning Researchers est un excellent cahier pour commencer à apprendre TensorFlow 2.0 + Keras avec de nombreux exemples.
• Apprendre une intégration unifiée pour la recherche visuelle sur Pinterest est un article sur le fonctionnement de la recherche visuelle Pinterest.
• Application de l'apprentissage profond à la recherche Airbnb - Un article sur ce qui s'est passé chez Airbnb lorsqu'ils sont passés des approches d'apprentissage machine standard à l'apprentissage profond.
• Numérisation intelligente à l'aide de l'apprentissage en profondeur pour l'IRM - Un article sur la façon dont GE utilise TensorFlow pour déterminer l'anatomie spécifique lors d'une numérisation cérébrale MPT afin d'améliorer la vitesse et la cohérence.
• Utiliser l'apprentissage en profondeur pour éclairer les diagnostics différentiels des maladies de la peau - un article sur un système qui peut distinguer 26 maladies de la peau.
• Une grande collection de bons matériaux Data Science .

Les projets

• sotabench est un nouveau projet de Papers With Code qui compare les différents modèles Open Source.
• Polynote - un nouveau cahier des gars de Netflix pour Scala / Spark / Python ...

Vidéo

• Début septembre, à Odessa, nous avons organisé le Data Fest Odessa . Des rapports vidéo sont déjà disponibles sur la chaîne YouTube .
• Reportages vidéo de la PyTorch Developer Conference 2019 .
• Reportages vidéo de la conférence MLOps NYC19 .

Conférences et réunions

• 7 novembre, Ivano-Frankivsk - Quand les données rencontrent l'ingénierie - J'invite tout le monde à notre première réunion de rendez-vous à Ivano-Frankivsk. Je serai ravi de rencontrer tout le monde.
• 31 octobre, Kiev - Kiev AI 6.0: entreprise leader sur les technologies ML .
• 9 novembre, Kiev - Conférence Computer VISIONers .

Podcasts

• Podcast Lex Fridman AI
• O'Reilly Data Show Podcast
• Le podcast TWIML AI

Depuis septembre, je dirige le département R&D de VITech , où nous créons des produits à base de ML pour les soins de santé et d'autres industries. Maintenant, je suis dans mon équipe à Odessa à la recherche d'un chercheur ML. Pour toutes questions, écrivez-moi en PM.

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 .

← Numéro précédent: Data Science Digest