В выходной мы как всегда предлагаем отдохнуть, но не выпадать из темы: например, послушать подкаст от команды Хабра "Agile по жизни: обсуждаем гибкую методологию разработки на бытовых примерах"

Узнать больше, найти таймкоды и послушать: https://bit.ly/31v0c4e

Полноценный туториал по библиотеке Seaborn (с таймкодами): настройки, загрузка данных и множество графиков

https://bit.ly/3F5J42B

Статья об основных современных моделях для генерирующего реферирования и генерации текста в целом (BertSumAbs, GPT и других) и их использовании для русского языка

https://bit.ly/32IEz13

Последние две недели мы экспериментируем с форматом и публикуем посты без картинок.

Обзор терминальных мультиплексоров (определения внутри статьи): tmux и dvtm (первая ссылка)

Читлист на английском языке, резюмирующий материал статьи (вторая ссылка)


https://bit.ly/3qbDPdy
https://bit.ly/3HQdp75

Лекции CS224u Natural Language Understanding 2021 от Стенфорда в открытом доступе: фокус на конкретные задачи NLU (анализ тональности, извлечение реляций, поиск и тд), короткие 15-минутные видео и домашние задания

Подробнее: https://stanford.io/3GhH3lm

Курс по нейронным сетям от Samsung. Рассчитан на слушателей, у которых уже имеются знания в области машинного обучения.

https://bit.ly/3tmAlH4

Четыре личные истории специалистов по ИИ и ML: старт карьеры, обязанности и проблемы сферы

https://bit.ly/3FdMWPl

Большой сборник теоретических задач по машинному обучению, сортированных по тематическим блокам

https://bit.ly/3GmZxB7

"Интеграции бояться - в аналитики не идти". В этой статье автор рассказывает о том, с какой стороны подходить к такой задаче, как проектирование интеграционного взаимодействия между системами, приводит несколько практических кейсов из своего опыта, а также выделяет навыки, которые помогут аналитику решить такие сложные задачи


https://bit.ly/3qjZwZ2

Статья с понятным объяснением того, как работает модель GPT от OpenAI: от токенизации до файнтюнинга

https://bit.ly/3r5SaY5

#top@datamining.team
ТОП-5 постов за декабрь

1. Гайд по самостоятельному изучению Data Science с нуля
https://bit.ly/3EknuIf

2. Курс по машинному обучению от Microsoft, который дополнен тестами, заметками, практическими заданиями, а также идеями для проектов
https://bit.ly/3yLtZBP

3. Сборник курсов по прикладной статистике на Coursera, а также дополнительные материалы в одном репозитории
https://bit.ly/3lqilGY

4. Большая подборка обучающих видео по глубокому обучению
https://bit.ly/3JasEt2

5. Книги по Data Science с аннотациями: программирование на Python, машинное обучение и большие данные
https://bit.ly/3lKCzeZ

Обратный поиск изображений: гайд от детективного агентства Bellingcat

https://bit.ly/31U3BJY

Топ-5 заблуждений в работе аналитика

https://bit.ly/3Fji7so

Интересная статья про уровни зрелости ML-процессов

Подробнее: https://bit.ly/335VoD9

Статья с описанием алгоритма, который способен обучать глубокие сети доверия (DBM) по одному слою за раз

https://bit.ly/34QgXbo

"Как разработать без ТЗ так, чтобы результат был не ХЗ". В этой статье автор рассказывает о способе, который позволяет не требовать у клиентов технического задания и при этом оценить границы бюджета, уложиться в него и даже разработать продукт, который удовлетворит клиента.

https://bit.ly/3Gt3S5R

Платформа с навыками искусственного интеллекта и открытым исходным кодом DREAM для создания чатботов появилась в открытым доступе

https://bit.ly/3FjxH7y

"Deep Learning Interviews": книга, которая содержит сотни полностью решенных задач по ключевым темам ИИ

https://bit.ly/3KbR6ux

Типичные ошибки, с которыми часто сталкиваются бизнес-аналитики

https://bit.ly/34JtPzS