Большинство сообщений TDS объединяют теоретический опыт и реальное влияние - будь то краткое руководство или подробное объяснение передовых исследований. На этой неделе вам следует ознакомиться с одним из лучших примеров, которые мы видели в недавней памяти, о проекте, который устраняет разрыв между теорией и применением.

Вы когда-нибудь стояли перед своей мусорной корзиной, не зная, принадлежит ли ей какой-то предмет? Дункан Ван, Арно Гусман-Аннес, Софи Куртеманш-Мартель и Джейк Хоган рассказывают нам свой проект о потенциале ИИ для рационализации и оптимизации программ утилизации . Они проделывают блестящую работу, закладывая технические основы (в данном случае CNN или сверточные нейронные сети), а затем переходят к демонстрации того, как использование CNN может привести к реальным изменениям и дать положительный результат в области, которая затрагивает всех нас. Мы надеемся, что вы почувствуете вдохновение, читая об их работе - мы, безусловно, вдохновились!

Вдохновение может иметь множество вкусов и оттенков. Чаще всего у наших читателей находит отклик не конкретная тема или подход, а скорее полезное понимание: вы покидаете статью, чувствуя, что вы в лучшем положении, чтобы обдумать проблему или найти решение. Исследование важности перестановочного признака, проведенное Сетом Биллиау, является убедительным примером первого. Глядя на модели черного ящика и на сложность объяснения того, как они дают свои результаты, Сет показывает, как увеличение масштаба конкретных функций может помочь нам увидеть, какие из них имеют наибольшую прогностическую ценность. Сделав несколько шагов назад (или вперед?), Ведущий подкаста TDS Джереми Харрис и его недавний гость Эван Хубингер поговорили о проблемах внутреннего выравнивания и о том, как мы можем решить проблемы безопасности, которые в настоящее время скрываются за пределами ближайшего будущего месторождения. С другой стороны, Прукалпа поделилась уроками, которые она и ее команда извлекли из сотрудничества с TechStyle, розничным продавцом модной одежды. Она сосредотачивается на том, как они внедрили совершенно новое хранилище данных, которое соответствовало потребностям компании, подробно описывая проблемы, с которыми они столкнулись на этом пути.

Для сообщения, в котором сочетаются практические знания и прихоти, не ищите ничего, кроме статьи Мэтта Сосны об удивительном сходстве между алгоритмами и поведением больших косяков рыб. Взяв за отправную точку свою кандидатскую диссертацию, Мэтт проводит увлекательную связь между коллективным принятием решений, которые он наблюдал в рыбах, и алгоритмами ансамблевого обучения, и задается вопросом, действуют ли косяки рыб как огромная нейронная сеть.

Обнаружение неожиданных связей между разрозненными областями и концепциями - один из отличительных признаков продуктивного обучения; Если вы ищете практический совет о том, как расширить свой набор навыков в области обработки данных, Джулия Никульски составила несколько отличных советов, основанных на ее личном опыте - они варьируются от создания собственных наборов данных до погружение в академические исследования. Чтобы получить еще больше идей (и больше вдохновения), прочитав сообщение Джулии, продолжите недавнюю беседу редактора TDS Эллиота Ганна с Рэнди Ау, специалистом по количественному взаимодействию с пользователем. Исследователь в Google. Рэнди подчеркивает важность информирования заинтересованных сторон о ценности анализа данных и самообразования в конкретных областях, имеющих отношение к организации, к которой вы присоединились.

Если вы ищете другие способы улучшить рабочие процессы и повысить эффективность повседневных процессов обработки данных, мы еще не закончили! Ной Бербанк опубликовал подробное глубокое погружение в искусство выбора правильных моделей классификации текста, основанное на его работе в Salesforce, где выбор часто зависит от того, насколько хорошо наши данные обучения отражают разнообразие данные, которые он получит в продакшене . Между тем, Парул Пандей предлагает выход из общей головоломки - момент, когда вы понимаете, насколько сложно расшифровать собственную кодовую базу. В качестве решения Parul предлагает автоматизировать структуру вашего проекта, от создания многоразового шаблона до отправки вашего кода на GitHub.

Где бы вы ни находились в своем путешествии по науке о данных, мы надеемся, что на этой неделе вы нашли что-то новое, чем можно было бы погрузиться - будь то инструмент, процесс или практическое применение благородной идеи. Спасибо за чтение, обсуждение и поддержку нашей работы.

До следующей переменной
Редакторы TDS

Последние добавления к нашим избранным темам:

Начиная

Практические руководства

Глубокие погружения

Мысли и теория