Выпуск №73
Воскресный брифинг D4S #73
Еженедельный информационный бюллетень с последними разработками в области науки о данных, машинного обучения и искусственного интеллекта.
18 октября 2020 г.
Дорогие друзья,
Добро пожаловать в воскресный брифинг от 18 октября.
Последние несколько дней были в значительной степени сосредоточены на Причинно-следственном выводе. В понедельник наш пост в блоге Тестирование моделей и причинно-следственный поиск был любезно ретвитнут самим Judea Pearl, а в пятницу мы провели первый выпуск вебинара Почему и что, если — причинно-следственный анализ для всех для восторженной аудитории и мы уже думаем о том, когда запланировать следующую сессию.
У нас также есть новый блог из серии Причинно-следственная связь, в котором мы погружаемся в главу 3 Букваря, чтобы узнать больше о Вмешательствах, о том, как мы изменяем значения переменных 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.
На этой неделе мы рассмотрим, как физики работают над созданием более справедливого ИИ, заглянув внутрь его черного ящика, глубоко задумаемся о познании, быстро пересмотрим протоколы консенсуса и узнаем, как использовать квазиэксперименты и контрфактуалы для Создавайте отличные продукты.
На академическом фронте мы узнаем о Нейронных базах данных, Играх с нулевым разглашением, Фильтрации статистики в сетях и о том, как LSTM составляют (и изучают) снизу вверх.
Наконец, в видео недели у нас есть лекция Внимание и трансформирующие сети Паскаля Пупарта из Университета Ватерлоо.
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.
- Познание на всем пути вниз [aeon.co]
- Как запустить модели машинного обучения в производство [stackoverflow.blog]
- Обучение с подкреплением — это контролируемое обучение на оптимизированных данных [bair.berkeley.edu]
- Обзор протоколов консенсуса [thomasvilhena.com]
- Как использовать квазиэксперименты и контрфактуалы для создания отличных продуктов [engineering.shopify.com]
- Чтобы сделать искусственный интеллект более справедливым, физики заглянули внутрь его черного ящика [wired.com]
- Комбинированные диаграммы с Seaborn и Python [towardsdatascience.com]
- Данные против науки: борьба за душу науки о данных [causality.cs.ucla.edu]
Только что из прессы:
Некоторые из самых интересных научных статей, опубликованных за последнее время
- Глубокое обучение для процедурной генерации контента (Дж. Лю, С. Снодграсс, А. Халифа, С. Ризи, Г. Н. Яннакакис, Дж. Тогелиус)
- Фильтрация статистики в сетях (Дж. Дж. Бакстер, Р. А. да Кошта, С. Н. Дороговцев, Дж. Ф. Ф. Мендес)
- Нейронные базы данных (Дж. Торн, М. Яздани, М. Саеиди, Ф. Сильвестри, С. Ридель, А. Галеви)
- Языковые сети: практический подход (Х. А. В. Тохалино, Д. Р. Амансио)
- Игры с нулевым разглашением (И. Маллой)
- LSTM сочиняют (и учатся) снизу вверх (Н. Сафра, А. Лопес)
- Риск новой волны COVID-19 — и как он зависит от R0, текущего уровня иммунитета и текущих ограничений (Т. Бриттон, П. Трапман, Ф. Болл)
- Нейронные сети как функциональные классификаторы (Б. Тинд, К. Мултани, Дж. Цао)
Видео недели:
Интересные обсуждения, идеи или учебные пособия, которые попадались нам на стол.
Сети Attention and Transformer
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] 🆕
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.