ВЫПУСК №74
Воскресный брифинг D4S #74
Еженедельный информационный бюллетень с последними разработками в области науки о данных, машинного обучения и искусственного интеллекта.
25 окт. 2020 г.
Дорогие друзья,
Добро пожаловать в воскресный брифинг от 25 октября.
В настоящее время у нас перерыв в ведении блога, но вы можете насладиться нашим последним постом из серии Причинно-следственная связь, в котором мы погружаемся в главу 3 Букваря, чтобы узнать больше о Вмешательствах, способе, которым мы изменяем значения переменные в нашей модели для имитации рандомизированного контролируемого испытания. Как всегда, весь актуальный код можно найти на GitHub. Что касается эпидемического моделирования, вы также можете ознакомиться с последней записью в блоге, в которой мы рассмотрим основы Структура сети, суперраспространители и отслеживание контактов.
Мы также рады объявить о проведении 27 октября бесплатного вебинара Наука о данных и машинное обучение в масштабе, организованного нашими хорошими друзьями из Data Umbrella. Зарегистрируйтесь сейчас и не пропустите!
На этой неделе у нас есть Развлечение с лямбда-исчислением и Структурные временные ряды, мы анализируем Как 30 строк кода взорвали 27-тонный генератор и узнаем больше о Интуиция программиста для умножения матриц.
На академическом фронте мы рассматриваем почему вспышки COVID, похоже, усугубятся этой зимой, получаем краткое введение в основы теории игр и углубляемся в Обучение меньше, чем одним выстрелом, новый подход к машинному обучению. это может стать ключом к некоторым важным событиям в ближайшие годы.
Наконец, мы узнаем Как повысить производительность машинного обучения и обработки данных с помощью Intel Python в видео недели от ARC Academy.
Данные показывают, что лучший способ распространения информационного бюллетеня — это сарафанное радио, поэтому, если вы думаете, что кому-то из ваших друзей или коллег понравится этот информационный бюллетень, просто перешлите ему это письмо. Это поможет нам распространить информацию!
Всегда разбирайтесь,
Команда D4S
Блог:
Последний пост из серии Причинно-следственные связи посвящен разделу 3.1 — Вмешательства, краткому введению в один из самых мощных инструментов причинно-следственного анализа. Код для каждого поста в блоге из этой серии размещен в специальном репозитории GitHub: https://github.com/DataForScience/Causality
В последнем посте из серии CoVID-19 Моделирование эпидемии 201: структура сети, суперраспространители и отслеживание контактов рассматривается влияние, которое наша структура социальной сети может оказать на распространение эпидемии. Как обычно, весь код доступен на GitHub: http://github.com/DataForScience/Epidemiology101
Сообщения в блоге:
Причинность:
- 1.2 — Парадокс Симпсона
- 1.3 — Теория вероятностей и статистика
- 1.4 — Графики
- 1.5 — Структурно-причинные модели
- 2.2 — Цепи и вилки
- 2.3 — Коллайдеры
- 2.4 — d-разделение
- 2.5 — Тестирование моделей и причинно-следственный поиск
- 3.1 — Вмешательства
GitHub: https://github.com/DataForScience/Causality
Моделирование эпидемии:
Обсуждение
Анализ данных
Компартментальное моделирование:
- Эпидемическое моделирование 101: или почему ваши экспоненциальные аппроксимации CoVID-19 неверны
- Моделирование эпидемии 102: все модели CoVID-19 неверны, но некоторые из них полезны
- Моделирование эпидемии 103: Добавление доверительных интервалов и стохастических эффектов к вашим моделям CoVID-19
- Моделирование эпидемии 104: Влияние сезонных эффектов на CoVID-19
Сетевые модели:
GitHub: http://github.com/DataForScience/Epidemiology101
Лучшие ссылки:
Учебники и сообщения в блогах, которые попались нам на стол на этой неделе.
- Как 30 строк кода взорвали 27-тонный генератор [wired.com]
- Интуиция программиста для умножения матриц [betterexplained.com]
- Веселье с лямбда-исчислением [stopa.io]
- Структурный временной ряд [fastforwardlabs.com]
- Covid-19: глобальный кризис — в данных [ig.ft.com]
- Landing AI представляет платформу визуального контроля с использованием ИИ для повышения качества и снижения затрат для производителей по всему миру [landing.ai]
- Вы все неправильно рассчитываете показатели оттока [catchjs.com]
Только что из прессы:
Некоторые из самых интересных научных статей, опубликованных за последнее время
- Почему вспышки COVID, похоже, усугубятся этой зимой (С. Маллапати)
- Искусство предотвращения инфекций (К. Кэмпбелл)
- Изотопия и энергия физических сетей (Ю. Лю, Н. Дехмами, А.-Л. Барабаши)
- Глубокое обучение для процедурной генерации контента (Дж. Лю, С. Снодграсс, А. Халифа, С. Ризи, Г. Н. Яннакакис, Дж. Тогелиус)
- Глубокое обучение с подкреплением для распределения активов в акциях США (М. Н. и Алонсо, С. Шривастава)
- Прогнозирование и предотвращение непропорционально доминирующих агентов в сложных сетях (С. К. Лера, А. Пентланд, Д. Сорнетт)
- Краткое введение в основы теории игр (М. О. Джексон)
- Обучение меньше, чем за один раз: изучение N классов из M‹N образцов (И. Сухолуцкий, М. Шонлау)
Видео недели:
Интересные обсуждения, идеи или учебные пособия, которые попадались нам на стол.
Как повысить производительность машинного обучения и обработки данных с помощью Intel Python
Все видео недели теперь доступны в нашем плейлисте Youtube.
Предстоящие события
Возможности учиться у нас:
- 12 ноября 2020 г. — Визуализация данных с помощью matplotlib и seaborn для всех [Регистрация]
- 19 ноября 2020 г. — Глубокое обучение для всех [Регистрация]
- 04.12.2020 — Временные ряды для всех [Регистрация] 🆕
- 11 декабря 2020 г. — Расширенные временные ряды для всех [Регистрация] 🆕
Партнерские мероприятия:
- 27 октября 2020 г. — Наука о данных и машинное обучение в масштабе [Регистрация] 🆕
Благодарим вас за подписку на нашу еженедельную рассылку с кратким обзором мира наук о данных и машинного обучения. Пожалуйста, поделитесь своими контактами, чтобы помочь нам расти!
Публикуется в воскресенье.
Авторские права © Data For Science, Inc., 2020. Все права защищены.