Выпуск №66
Воскресный брифинг D4S №66
Еженедельный информационный бюллетень с последними разработками в области науки о данных, машинного обучения и искусственного интеллекта.
30 августа 2020 г.
Дорогие друзья,
Добро пожаловать в выпуск воскресного брифинга от 30 августа.
На этой неделе мы с гордостью представляем новый и более чистый вид информационного бюллетеня. Надеемся, вам понравится!
Мы продолжаем наш короткий перерыв в ведении блога, но вы можете ознакомиться с последним постом из серии Причинно-следственные связи, где мы освещаем Цепи и вилки, или с последним из серии Моделирование эпидемий, где мы рассматриваем основы Структура сети, суперраспространители и отслеживание контактов. ».
В наших регулярно запланированных материалах мы погружаемся в основы Python и разработки программного обеспечения, рассматривая Хэш-таблицы Python, Эффективное тестирование для систем машинного обучения и Распространенные ошибки упаковки Python. Мы также рассмотрим plot.ly и то, как вы можете использовать его для повышения уровня вашей истории данных.
На академическом фронте мы более подробно изучим LIME и изучим Этическое поведение людей и машин, рассмотрим Термодинамические затраты машин Тьюринга и представим Обзор и набор данных для раскрашивания изображений.
Наконец, в видео недели Кори Шаффер знакомит нас с стандартным библиотечным модулем для регулярных выражений.
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 2.2 Цепочки и вилки, посвященному некоторым из наиболее распространенных мотивов графических моделей. Код для каждого сообщения 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
GitHub: https://github.com/DataForScience/Causality
Моделирование эпидемии:
Обсуждение
Анализ данных
Компартментальное моделирование:
- Моделирование эпидемии 101: или почему ваши экспоненциальные соответствия CoVID-19 неверны
- Моделирование эпидемии 102: все модели CoVID-19 ошибочны, 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.
- Эффективное тестирование систем машинного обучения [jeremyjordan.me]
- Распространенные ошибки упаковки Python [jwodder.github.io]
- Экономика эргодичности: учебник для начинающих [jasoncollins.blog]
- Извлечение новостей и статей из общедоступных API с помощью Python [towardsdatascience.com]
- Аудит алгоритмов предвзятости [hbr.org]
- 5 визуализаций для повышения уровня вашей истории данных [towardsdatascience.com]
- Введение в одноразовое обучение [thenextweb.com]
- Невозможная математика реального мира [medium.com/nautilus-magazine]
- Хэш-таблицы Python: понимание словарей [thepythoncorner.com]
- Мои графики ИИ ускорились [alexirpan.com]
Только что из прессы:
Некоторые из самых интересных научных статей, опубликованных за последнее время
- Оценка ненаблюдаемых инфекций SARS-CoV-2 в США
- Сетевое объяснение того, почему большинство кривых заражения COVID-19 являются линейными (С. Тернер, П. Климек, Р. Ханель)
- Термодинамические издержки машин Тьюринга (А. Колчинский, Д. Г. Вольперт)
- Вирусное против широковещательного: характеристика виральности и роста каскадов (Ю. Чжан, Л. Ван, Дж. Дж. Х. Чжу, X. Ван)
- Проблемы обучения с подкреплением в реальном мире (Г. Дюлак-Арнольд, Д. Манковиц, Т. Хестер)
- Раскрашивание изображения: обзор и набор данных (С. Анвар, М. Тахир, К. Ли, А. Миан, Ф. С. Хан, А. В. Музаффар)
- Использование исторических данных о взаимодействии для улучшения системы рекомендательных диалогов (К. Чжоу, В. К. Чжао, Х. Ван, С. Ван, Ф. Чжан, З. Ван, Дж.-Р. Вэнь)
- Этическое поведение людей и машин (Т. Хагендорф)
- Метод машинного обучения на основе графа транзакций блокчейна для прогнозирования цены биткойна
- Глядя глубже в LIME (Д. Гарро, У. фон Люксбург)
Видео недели:
Интересные обсуждения, идеи или учебные пособия, которые попадались нам на стол.
Модуль re — Как писать и сопоставлять регулярные выражения
Все видео недели теперь доступны в нашем плейлисте Youtube.
Предстоящие События:
Возможности учиться у нас:
- 3 сентября 2020 г. — Преобразование анализа Excel в модели данных Python и pandas [Регистрация]
- 16 сентября 2020 г. — Обработка естественного языка (НЛП) для всех [Регистрация]
- 7 октября 2020 г. — Графы и сетевые алгоритмы для всех [Регистрация] 🆕
- 16.10.2020 — Почему и что если — причинно-следственный анализ 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.