ВЫПУСК №75
Воскресный брифинг D4S #75
Еженедельный информационный бюллетень с последними разработками в области науки о данных, машинного обучения и искусственного интеллекта.
1 ноября 2020 г.
Дорогие друзья,
Добро пожаловать в воскресный брифинг, посвященный выходным в честь Хэллоуина.
Мы с гордостью сообщаем о публикации последней записи в блоге из серии Причинно-следственная связь, в которой мы освещаем Формулу корректировки, способ, которым мы можем рассчитать эффекты вмешательств, используя неэкспериментальные данные. 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 у нас есть биография Эдсгера Дейкстры, Человек, который нес компьютерные науки на своих плечах, исследование Алгоритмов синтаксического анализа, Обработка естественного языка для кредитного риска и взгляд на Что правильно сделано в Белой книге Биткойна, Неправильно и чего мы еще не знаем
На академическом фронте мы анализируем, как мы можем Понять защиту от SARS-CoV-2, изучая повторное заражение, удивительно хорошее введение в Байесовское мышление для малышей и обзор Экспериментов NVIDIA PilotNet.
Наконец, YY Ahn дает нам учебник Сетевая эпидемиология на видео недели.
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-следственная связь посвящен разделу 3.2 — Формула корректировки, рецепту расчета эффектов вмешательств. 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 поиск причин
- 3.1 — Вмешательства
- 3.2 — Формула корректировки
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.
- Человек, который нес компьютерные науки на своих плечах [inference-review.com]
- Понимание причинно-следственных связей — следующая задача машинного обучения [spectrum.ieee.org]
- Алгоритмы парсинга [dmitrysoshnikov.com]
- Обработка естественного языка для кредитного риска [tymick.me]
- Великая унифицированная теория архитектуры программного обеспечения [danuker.go.ro]
- Выборка цепей Маркова Монте-Карло (MCMC), Часть 1: Основы [tweag.io]
- Что правильно, что неправильно в Белой книге Биткойна и чего мы до сих пор не знаем [coindesk.com]
Только что из прессы:
Некоторые из самых интересных научных статей, опубликованных за последнее время
- Понимание защиты от SARS-CoV-2 путем изучения повторного заражения (Дж. Овербоу)
- Байесовское мышление для малышей (Э.-Дж. Вагенмакерс)
- Неправильное использование цвета в научной коммуникации (Ф. Крамери, Г. Э. Шепард, П. Дж. Херон)
- Прогнозирование выборов с использованием компартментальных моделей заражения (А. Волкенинг, Д. Ф. Линдер, М. А. Портер, Г. А. Ремпала)
- Графические модели для обработки недостающих данных (К. Мохан, Дж. Перл)
- Эксперименты NVIDIA PilotNet (М. Боярски, К. Чен, Дж. Доу, А. Дегирменци, Дж. Дери и др.)
Видео недели:
Интересные обсуждения, идеи или учебные пособия, которые попадались нам на стол.
Сетевая эпидемиология
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.