Воскресный брифинг D4S № 46
Воскресный брифинг D4S № 46
Еженедельный информационный бюллетень с последними разработками в области науки о данных, машинного обучения и искусственного интеллекта.
Выпуск №46
12 апр. 2020 г.
Дорогие друзья,
Добро пожаловать в выпуск Sunday Briefing, посвященный пасхальному воскресенью.
На прошлой неделе мы продолжили рассмотрение стратегий моделирования эпидемий в нашей второй публикации из серии Моделирование эпидемий. : Моделирование эпидемии 102: все модели CoVID-19 неверны, но некоторые из них полезны. Если у вас еще не было возможности проверить это, вы должны это сделать. На этой неделе мы сделали перерыв в ведении блога, но следите за новыми сообщениями в ближайшем будущем. Как всегда, вы можете следить за репозиторием GitHub, содержащим соответствующий код Python. Мы надеемся, что вы найдете его полезным, и будем рады любым вашим комментариям.
В наших регулярно планируемых материалах мы рассмотрим Математическая нотация и связь в машинном обучении, как обрабатывать PDF-формы с Python и почему круговые диаграммы часто отстой.
На академическом фронте у нас есть исследование необоснованной эффективности глубокого обучения, усилия по интеграции глубокого обучения и неврологии и методология машинного обучения для прогнозирования в реальном времени Вспышка COVID-19 в 2019–2020 гг. с использованием интернет-поиска, оповещений о новостях и оценок на основе механистических моделей
Наконец, в нашем видео недели Роб Чу и Питер Баумгартнер проводят нас через Анализ социальных сетей. Учебное пособие по NetworkX», тема, которая близка и дорога нашему сердцу, но часто упускается из виду специалистами по обработке и анализу данных.
Данные показывают, что лучший способ роста информационного бюллетеня — это сарафанное радио, поэтому, если вы думаете, что кому-то из ваших друзей или коллег понравится этот информационный бюллетень, просто перешлите им это письмо и помогите нам распространить информацию!
Semper discentes,
Команда D4S
Блог:
Наша последняя запись в блоге из серии Моделирование эпидемии посвящена возможностям и ограничениям моделей эпидемии и тому, как их можно использовать для понимания текущей пандемии CoVID-19. GitHub: github.com/DataForScience/Epidemiology101
Последний пост из серии Причинно-следственная связь охватывает первую часть раздела 1.3 Теория вероятностей и статистика, обзор некоторых фундаментальных теоретических требований для путешествия. предстоящий. Код для каждой записи в блоге из этой серии размещен в специальном репозитории GitHub для этого проекта: github.com/DataForScience/Causality
Сообщения в блоге:
Моделирование эпидемии:
Моделирование эпидемии 101: или почему ваши экспоненциальные аппроксимации CoVID-19 неверны
Моделирование эпидемии 102: все модели CoVID-19 ошибочны, но некоторые из них полезны
Причинность:
1.2 — Парадокс Симпсона
1.3 — Теория вероятностей и статистика
GitHub: github.com/DataForScience/Causality
Лучшие ссылки:
Учебники и сообщения в блогах, которые попались нам на стол на этой неделе.
- Как мы тестируем вектор [vector.dev]
- Заполнение PDF-форм с помощью Python [yoongkang.com]
- Распутывание микросервисов, или балансировка сложности в распределенных системах [vladikk.com]
- Почему круговые диаграммы часто отстой [medium.com/the-mission]
- О математической нотации и коммуникации в машинном обучении [medium.com/dataseries]
- Аппроксимационная мощность нейронных сетей [towardsdatascience.com]
Только что из прессы:
Некоторые из самых интересных научных статей, опубликованных в последнее время.
- Необоснованная эффективность глубокого обучения в искусственном интеллекте (Т. Дж. Сейновски)
- Сгущенность выявляет фундаментальные различия в локальной и глобальной обработке данных у людей и машин (А. Дериг, А. Борнет, О. Х. Чунг, М. Х. Херцог)
- На пути к интеграции глубокого обучения и нейронауки (А. Х. Марблстоун, Г. Уэйн, К. П. Кординг)
- Об интерпретации аномалий через значения Шепли (Н. Такеиси, Ю. Кавахара)
- Доверие к рекомендательным системам: перспектива глубокого обучения (М. Донг, Ф. Юань, Л. Яо, С. Ван, С. Сюй, Л. Чжу)
- Индекс социальной мобильности Твиттера: измерение практик социального дистанцирования по геолоцированным твитам (П. Сюй, М. Дредзе, Д. А. Бронятовский)
- В мыслях об крахе фондового рынка (С. Гиглио, М. Маджори, Дж. Стробель, С. Уткус)
- Методология машинного обучения для прогнозирования вспышки COVID-19 в 2019–2020 гг. в режиме реального времени с использованием интернет-поиска, новостных оповещений и оценок на основе механистических моделей (Д. Лю, Л. Клементе, К. Пуарье, X. Дин, М. (Чинацци, Дж. Т. Дэвис, А. Веспиньяни, М. Сантильяна)
Видео недели:
Интересные обсуждения, идеи или учебные пособия, которые попадались нам на стол.
На связи: учебник по анализу социальных сетей с помощью NetworkX
Предстоящие События:
Возможности учиться у нас
- 29.04.2020 — Прикладная теория вероятностей для всех [Регистрация]
- 7 мая 2020 г. — Обработка естественного языка (НЛП) для всех [Регистрация] 🆕
- 18 мая 2020 г. — Графы и сетевые алгоритмы для всех [Регистрация] 🆕
Благодарим вас за подписку на нашу еженедельную рассылку с кратким обзором мира наук о данных и машинного обучения. Пожалуйста, поделитесь со своими контактами, чтобы помочь нам расти!
Публикуется в воскресенье.
Авторские права © Data For Science, Inc., 2020. Все права защищены.