数据科学文摘（2019年8月）

问候大家！ DataFest返回乌克兰，将于9月7日在敖德萨举行。 现在正在形成一个程序，但是如果要进行演示，可以在此处提交主题。 在这里注册成为会员。 我提醒您，摘要有其自己的电报频道和社交网络（ Facebook ， Twitter ， LinkedIn ）上的页面，我每天在其中发布指向有用资料的链接。 立即加入！

同时，我将为您提供新鲜选择的材料。

文章

• 针对使用深度学习的个性化建议 -在本文中，您将学习最近推荐的TripAdvisor推荐给您（RFY）模型如何使用浏览历史记录和深度学习在网站上生成个性化推荐。
• 使用Kafka构建数据管道 -本文适用于打算基于Kafka构建其第一个数据管道的初学者工程师。
• MIT深度学习基础知识：TensorFlow的介绍和概述 -概述7种深度学习架构，并链接到每种TensorFlow示例。
• 介绍Dagster -Dagster的简介-Dagster是一个Python库，用于基于ETL流程或ML管道构建日期应用程序。 链接到itHub 。
• 使用DVC为数据项目创建有效的版本控制系统 -在本文中，您将学习什么是DVC以及如何使用它来对项目进行版本控制。
• 数据科学家犯下的十大统计错误 -数据科学家在使用统计数据时犯下的10个错误，包括示例和解决方案。
• 傻瓜异常检测 -本文讨论了一维和多维数据不受控制的异常的检测，以及检测它们的各种策略。 Jupyter笔记本。
• 25大熊猫技巧 -25个关于如何使用熊猫更快地工作和更好地编写代码的技巧。
• 训练似然模型的技巧 -在本文中，您将学习训练生成模型的常用方法，这些方法可优化自回归模型的概率并标准化流量。
• Panel：PyData生态系统的高级应用程序和仪表板解决方案-Panel的简介-一个新的Python库，可让您创建自定义的交互式Web应用程序和仪表板。
• 如何在Keras中使用VGGFace2执行人脸识别 -在本文中，您将学习用于人脸识别的VGGFace和VGGFace2模型； 如何开发面部识别系统，根据给定的照片预测名人名字； 如何开发人脸验证系统以从照片中验证人的身份。
• CVPR 2019上的神经架构搜索 -在本文中，您将了解神经架构搜索（NAS）以及如何在CVPR 2019上介绍NAS。
• 和瞧！ -在本文中，您将学习Voilà如何将Jupyter记事本变成独立的Web应用程序。
• 构建Lyft的营销自动化平台 -有关Lyft营销平台的文章，该文章由机器学习提供支持。
• GAN入门的最佳资源 -用于学习生成对抗网络的一系列良好资源：使用方法，视频演示，有关GAN的文章和书籍。

专案

• TRFL是一个TensorFlow库，可促进DeepMind研究团队开发的强化学习代理的实施。
• 各种ML模型的NumPy实现 -具有基于NumPy的各种机器学习模型的存储库。
• PyTorch图像模型 -PyTorch上用于处理图像的各种ML模型的存储库。

录影带

• ICML 2019视频 -来自国际机器学习大会的视频和幻灯片。

书本

• 先进的
• 学习电子书 -知识库包含许多关于计算机视觉，深度学习，机器学习，数学，NLP，Python和强化学习的电子书。

大事记

• 莫斯科数据科学专业 -莫斯科8月31日- 开放数据科学社区的免费会议。 11个部分：夏季ML conf，SysML，失败/成功案例，ML培训，A / B测试，NLP，PyData，ML4SG，CV /学习匹配，DS 4 Life，随机啤酒。 参加是免费的，需要注册 。
• 敖德萨数据节 -9月7日，敖德萨是一个免费的开放数据科学社区会议。 4个部分：计算机视觉，NLP，SysML，业务和案例。 参加是免费的，需要注册 。
• 数据科学fwdays'19- 9月7日，基辅-关于AI和数据科学的会议。 2个报告流等待您； 讨论角； 晚会。 门票 对于本摘要的读者，促销代码：digest_fwdays享有15％的折扣。
• AI乌克兰2019年 - 9月21日至22日，基辅-今年乌克兰最强大的AI会议之一将分三个部分举行：数据科学和机器学习; 大数据和分析； 人工智能业务与初创公司。 该程序已经在站点上。 对于本摘要的读者，促销代码：DSDigest-AI2019优惠7％。
• 数据科学UA会议 -基辅10月19日-在基辅举行的第七届机器学习，人工智能和数据科学会议。 高效的网络和技术见解。 超过500位参与者和20位演讲者，3个视频流。 更多信息 。 对于摘要的读者，促销代码DSUA_Digest享有10％的折扣。

感谢您阅读此问题。 我希望每个人都能找到对自己有用的东西。 对于下一个摘要的任何建议，我将不胜感激。 加入摘要的Telegram频道及其在社交网络上的页面： Medium ， Facebook ， Twitter ， LinkedIn 。

←先前版本： 数据科学文摘（2019年7月）