Подборка лучших материалов по машинному обучению за прошлый месяц

#data_analysis #collections

Проанализировав 1900 различных материалов по искусственному интеллекту, машинному и глубинному обучению, которые были опубликованы в сентябре. Мы отобрали 10 наилучших статей, которые заслуживают вашего внимания.

1. Машинное обучение за год: от новичка до использования на работе
https://vk.cc/5My9aa

2. Neural Network Zoo
https://vk.cc/5My9hV

3. Вы можете стать "Rock Star" машинного обучения.
https://vk.cc/5My9qm

4. 40 популярных вопросов с интервью из сферы Machine Learning и Data Science.
https://vk.cc/5My9PR

5. Как работает сверточная нейронная сеть
https://vk.cc/5Myaa4

6. Теория машинного обучения. Часть первая: введение
https://vk.cc/5MyapS

7. Почему глубинное обучения изменит твою жизнь
https://vk.cc/5MyaA9

8. Введение в машинное обучение с Keras и TensorFlow.
https://vk.cc/5MyaLt

9. Как получить работу в сфере Deep Learning.
https://vk.cc/5MyaUK

10. Метод k-средних и сегментация изображений
https://vk.cc/5Myb4M

Серия видео с недавней конференции Data Fest

#data_analysis

Data Fest — конференция, которая объединяет исследователей, инженеров и разработчиков, связанных с data science во всех её проявлениях.

1. Тематическое моделирование на пути к разведочному информационному поиску — Константин Воронцов
2. Порождение и выбор моделей машинного обучения — Вадим Стрижов
3. Тензорные разложения и их применения — Иван Оселедец
4. Панельная дискуссия «Обучение machine learning» — модератор Иван Ямщиков
5. CRAYFIS: поиск космических лучей ультравысоких энергий — Максим Борисяк
6. Машинное обучение в анализе медицинских данных — Иван Дрокин
7. Исследование связности в мозге на основе электрофизиологических данных — Илья Захаров
8. Нейробайесовский подход к задачам машинного обучения — Дмитрий Ветров
9. Глубокое обучение: деконструкция мифа — Сергей Бартунов

Плейлист: https://www.youtube.com/playlist?list=PLJOzdkh8T5kqfhWXhtYevTUHIvrylDLYu

Обсуждение: https://vk.com/wall-54530371_88944

Машинное обучение. Наука и искусство построения алгоритмов, которые извлекают знания из данных (2015)
Автор: Петер Флах

#data_analysis #book

Перед вами один из самых интересных учебников по машинному обучению - разделу искусственного интеллекта, изучающего методы построения моделей, способных обучаться, и алгоритмов для их построения. Автор воздал должное невероятному богатству предмета и не упустил из вида объединяющих принципов. Читатель с первых страниц погружается в машинное обучение в действии, но без не нужных на первых порах технических деталей. По мере изучения предмета тщательно подобранные примеры, сопровождаемые иллюстрациями, постепенно усложняются. В книге описан широкий круг логических, геометрических и статистических моделей, затрагиваются и такие находящиеся на переднем крае науки темы, как матричная факторизация и анализ РХП. Особое внимание уделено важнейшей роли признаков. Устоявшаяся терминология дополняется введением в рассмотрение новых полезных концепций. В конце каждой главы приводятся ссылки на дополнительную литературу с авторскими комментариями. Книга ясно написана и хорошо организована. Начав с основ, автор умело ведет читателя, знакомя его с полезными фактами и подробно описывая ряд методов машинного обучения. Приводится также псевдокод ключевых алгоритмов. Благодаря всему этому книга задает новый стандарт изучения такой сложной дисциплины как машинное обучение.

По ссылке ниже вы найдете книгу в pdf

Давно хотели разобраться, как стать аналитиком данных, но не знали с чего начать?

#data_analysis

В этой статье собрали для вас большое количество обучающих материалов по таким темам, как big data, data mining, машинное обучение и не только!

https://proglib.io/p/learn-data/

Большая подборка материалов по машинному обучению: книги, видеокурсы, онлайн-курсы

#data_analysis #collections

https://proglib.io/p/learning-ml/

Машинное обучение. Наука и искусство построения алгоритмов, которые извлекают знания из данных (2015)
Автор: Петер Флах

#data_analysis #book

Перед вами один из самых интересных учебников по машинному обучению - разделу искусственного интеллекта, изучающего методы построения моделей, способных обучаться, и алгоритмов для их построения. Автор воздал должное невероятному богатству предмета и не упустил из вида объединяющих принципов. Читатель с первых страниц погружается в машинное обучение в действии, но без не нужных на первых порах технических деталей. По мере изучения предмета тщательно подобранные примеры, сопровождаемые иллюстрациями, постепенно усложняются. В книге описан широкий круг логических, геометрических и статистических моделей, затрагиваются и такие находящиеся на переднем крае науки темы, как матричная факторизация и анализ РХП. Особое внимание уделено важнейшей роли признаков. Устоявшаяся терминология дополняется введением в рассмотрение новых полезных концепций. В конце каждой главы приводятся ссылки на дополнительную литературу с авторскими комментариями. Книга ясно написана и хорошо организована. Начав с основ, автор умело ведет читателя, знакомя его с полезными фактами и подробно описывая ряд методов машинного обучения. Приводится также псевдокод ключевых алгоритмов. Благодаря всему этому книга задает новый стандарт изучения такой сложной дисциплины как машинное обучение.

По ссылке ниже вы найдете книгу в pdf

Стартап в сфере искусственного интеллекта в 2018

В статье кратко рассмотрено текущее положение вопроса создания стартапа в сфере искусственного интеллекта и основные этапы этого процесса.

https://proglib.io/p/ai-startup/

#startup #work

Глубокое обучение (2018)
Авторы: Николенко С. И., Кадурин

#data_analysis_rus

Нейронные сети произвели фурор в IT, и интерес к ним не угасает. Эта подборка видеолекций внесёт ясность в понимание процессов нейросети.

https://proglib.io/p/clear-neural-networks/

#networks

После долгих выходных начинаем работу с супер-полезной информации: как пройти путь от новичка до профи в машинном обучении за 3 месяца

Как за три месяца получить самообразование в машинном обучении? - в статье приводятся ссылки на соответствующие ресурсы.

https://proglib.io/p/ml-3months/

#fundamental

С чего начать обучение Machine Learning, если бесконечно далёк от этой темы?

Нужно как можно больше практиковаться. Наши коллеги из SkillFactory прислали мне информацию о курсе, который полностью состоит из практики и актуальных кейсов.
Ребята делают ставку на практику и решение конкретных боевых задач. Теорию вы и в интернете найдёте ;)

Курс ведёт руководитель отдела аналитики Mail.ru.

«Практический Machine Learning» от SkillFactory — https://goo.gl/rzp4u9

​​Курс по машинному обучению на базе Python - https://goo.gl/SeBDSP

На курсе вы узнаете, как проходит полный цикл анализа, от сбора данных до выбора оптимального решения и оценки его качества. Научитесь пользоваться современными аналитическими инструментами и адаптировать их под конкретные задачи.

Преподаватели курса — сотрудники Яндекса.

В финале обучения напишете дипломный проект, применимый к реальным данным в e-commerce, соц.медиа и бизнес-аналитике, который можно добавить в портфолио.

Пока я мечтал сделать единое окно для всех открытых датасетов, Майкрософт взял и сделал. Не без проблем (вот сейчас например тормозит поиск), но сама идея идеальная. Следующий шаг - место где можно купить готовую предобученную модель для твоих задач. Например с подпиской на обновления модели за деньги.

Последние 4 года у меня четкое ощущение, что Майкрософт делает ну очень много для либерализации разработки ИИ и всего что с этим связано. Да, у гугла есть успешная история с тензорфлоу, у фейсбука с каффе. У майкрософта есть полный набор - от готовых облачных сервисов, до фреймворков и вот теперь открытых датасетов. Можно только поздравить команду Майкрософт Ресерч, и спасибо сказать. https://www.microsoft.com/en-us/research/blog/announcing-microsoft-research-open-data-datasets-by-microsoft-research-now-available-in-the-cloud/?OCID=msr_blog_opendata_tw

​​В сети появилось решение на Python для экспорта данных Search Console в BigQuery. Описание тут.

via @BigQuery

Отличное интервью Вани Ямщикова о том, как машинный интеллект помогает справиться с самыми унылыми задачами бизнеса - документооборотом, контрактами, деловой перепиской.
Как всегда у Вани, прекрасные малоизвестные факты и красивые мысли разбросаны по всему тексту.
«...в среднестатистической компании в Европе файл, приложенный к письму, живёт дольше, чем сотрудник, его отправивший...» Это, кажется, лучшее описание мобильности современного персонала :)
Ну и в целом это отличный обзор того, как умные алгоритмы с разных сторон влезают в огромную область — коммуникацию между людьми (и не только). Быстро, между прочим, влезают.
https://vc.ru/41053-abbyy-lyuboy-biznes-eto-kommunikaciya