ЖЕНЩИНЫ В СЕРИИ ТЕХНОЛОГИИ

Шарлин Чамблисс: от психологии к обработке естественного языка и прикладным исследованиям

Интервью с инженером по машинному обучению в Primer.AI

За последнее десятилетие интерес к науке о данных рос в геометрической прогрессии, и все больше и больше людей работают над тем, чтобы переключиться на карьеру в этой области. В 2020 году множество статей и видео на YouTube о переходе к карьере в области науки о данных. Тем не менее, для многих людей по-прежнему остается множество ключевых вопросов об этом переключении: как перейти в науку о данных из социальных наук? И какие из наиболее важных навыков в таких областях, как психология, можно применить в науке о данных?

Шарлин Чамблисс имеет вдохновляющий и нетрадиционный карьерный путь. В настоящее время она использует самую современную обработку естественного языка, чтобы «создавать более умные инструменты для анализа огромных объемов информации». В последние два года она писала по темам НЛП, включая BERT для распознавания именованных сущностей и word2vec для анализ заголовков новостей и многие другие. Однако до своей нынешней роли инженера по машинному обучению она занималась маркетингом, психологией, исследованиями и проходила стажировку в качестве специалиста по данным в индустрии ухода за кожей.

Эмбер: Не могли бы вы рассказать нам немного о своем прошлом?
Шарлин: Конечно! У меня был необычный путь в науку о данных, поэтому я начну с самого начала и подробно остановлюсь на деталях, чтобы прояснить, что мне потребовалось.

Я выросла в небольшом сельскохозяйственном городке (Модесто, Калифорния), где мой отец работал в Safeway (до сих пор работает!), А моя мама была домохозяйкой. Они действительно внушили мне важность серьезного отношения к моему образованию, что меня устраивало, потому что я любил учиться, и мне нравилось заставлять их гордиться мной.

С детства я хотел быть ученым. Я любил возиться и узнавать, как все работает. Моя мама потворствовала моему любопытству, проводя меня в библиотеку (я приходил домой со стопкой примерно из 12 книг), просила меня помогать ей на кухне (готовка = химия!) И иногда дарила мне научный набор игрушек.

Этот интерес сохранился в средней школе и на первом курсе колледжа, где я решил, что хочу изучать химическую инженерию и стать специалистом по ароматизаторам, потому что химия была моим любимым предметом. Я (восхитительно) подумал, что просто изобрету новые вкусы, чтобы улучшить вкус здоровой пищи, чтобы людям было легче есть салаты и овощи, и, таким образом, они были бы здоровее в целом. Я ненавидел салаты и овощи, поэтому 17-летний я подумал, что я гениален, и что это отличное решение.

«Изучение социальных наук - это, в общем, отличный способ привыкнуть к решению запутанных, трудно поддающихся определению вопросов, навык, который является ключом к выполнению работы в области науки о данных, которую лица, принимающие решения, действительно будут чувствовать комфортно».

Я сохранял свою образовательную направленность и трудовую этику на протяжении всей старшей школы и поступил в Стэнфорд на бакалавриат. Честно говоря, это было довольно неожиданно для меня - я думал, что поеду в Калифорнийский университет в Дэвисе и, может быть, в Беркли, если мне действительно повезет. Около половины выпускников моей средней школы вообще не поступают в колледж, так что даже это казалось довольно высокими амбициями. Из 500 человек, которых я закончил в этом году, я думаю, что только около 5 из нас попали в «лучшие школы» (Беркли, Стэнфорд, Гарвард).

Когда я поступил в Стэнфорд, я действительно не ожидал того культурного шока, который меня ждал. Подавляющее большинство студентов Стэнфорда - выходцы из семей с высокими доходами, средний семейный доход которых составляет 167 500 долларов. Это, в общем и целом, те дети, у которых есть профессиональные родители с высшим образованием, они ходят в лучшую, наиболее хорошо финансируемую среднюю школу в городе и имеют платных репетиторов, которые помогают им в любой области, с которой они борются. . Между тем, я вырос с доходом в домохозяйстве примерно на четверть от этого дохода, и уровень подготовки, который я получил в некоторых областях по сравнению с моими сверстниками, отражал эту разницу. (Мои родители и учителя были замечательными и старались изо всех сил, но с ограниченными ресурсами можно сделать очень многое.)

Внезапно я почувствовал себя очень неуверенно в отношении своих способностей (особенно моих способностей к математике и информатике) и действительно задался вопросом, равняюсь ли я другим ученикам. Я не осознавал, что у нас было такое разное прошлое, поскольку никто не говорит о подобных вещах, поэтому я объяснил различия в производительности своим собственным неспособностью. Кроме того, я был единственным учеником средней школы, который поступил в Стэнфорд в том году, поэтому я никого не знал, когда туда попал, и мне не с кем было поговорить о том, что я пережил. Ощущение, что я самозванец, никогда не исчезало во время моего пребывания в Стэнфорде, но я, по крайней мере, научился притворяться, пока не сделал это.

Я прошел через Стэнфорд, хотя в итоге я не изучал химическую инженерию, и мне также нужно было взять годовой отпуск после первого года обучения, чтобы помочь с разводом моих родителей (моя мама инвалид и нуждалась в помощи, чтобы продать наш семейный дом и переехать). Я получил степень бакалавра искусств. Доктор психологии в 2017 году - первым из моих ближайших родственников получил 4-летнюю степень, - но я чувствовал, что на своем пути сделал много ошибок из-за отсутствия руководства и образцов для подражания. Даже просто поиск моей первой работы оказался трудным, потому что я действительно мог обратиться в центр карьеры только за советом о том, как ориентироваться на рынке труда для «образованных профессионалов». Брошюры и 30-минутные консультации, которые они могли предложить, не могли заполнить все пробелы, но после долгих исследований и посещения ярмарок вакансий я смог найти работу по маркетингу в социальных сетях для небольшого агентства.

Не вдаваясь в подробности о своих финансовых и общих карьерных перспективах в качестве специалиста по психологии, имеющего только степень бакалавра, за время моей работы на этой работе мне стало ясно, что я не добьюсь того, чего хотел. -в случае, если я не сделал больших изменений. Итак, ближе к концу 2017 года я решил, что хочу заняться наукой о данных, в частности, сосредоточившись на машинном обучении, и бросился в исследования GRE, чтобы успеть подать заявки к поступлению осенью 2018 года. (Я расскажу более подробно о том, почему я выбрал науку о данных и, в частности, НЛП, в следующем разделе.)

Я поступил в магистратуру. как и планировалось, выполняя свою курсовую работу и изучая как можно больше вне уроков, уделяя особое внимание статистике, линейной алгебре, Python и машинному обучению. Все дипломные работы выполнялись на языке R, поэтому я выучил Python полностью самостоятельно, используя комбинацию онлайн-классов и огромного учебника на 1500+ страниц (Learning Python). Ближе к концу первого года обучения (весна 2019 года) я получил стажировку в области науки о данных в Curology и проработал там всю осень. Затем, в начале второго года обучения, я стал партнером замечательной наставницы Нины Лопатиной через SharpestMinds, потому что решил, что хочу сосредоточиться именно на получении роли в НЛП. По окончании 10-недельного наставничества я начал искать работу и получил предложение присоединиться к Primer на полную ставку в декабре 2019 года.

Мне пришлось бы отложить последний семестр моей программы MS, чтобы начать полный рабочий день, что было непросто, но опыт был для меня важнее, поэтому я и сделал. Оказывается, это решение было пугающе своевременным, потому что пандемия COVID-19 уничтожила недавний рынок вакансий для выпускников всего несколько месяцев спустя. У меня есть одноклассники, которые все еще не могут найти работу, и я легко мог оказаться в такой же ситуации. Я понимаю, что для меня большая честь, что мой бросок костей получился так хорошо.

В целом, для перехода от маркетинга к штатной должности инженера по машинному обучению потребовалось около 2 лет, имея относительно небольшой опыт в математике и программировании. (До 2017 года я использовал только исчисление с одной переменной, базовую / вводную статистику и один класс программирования Java.)

О: Прежде чем работать в индустрии науки о данных, вы изучали психологию в Стэнфорде. Не могли бы вы рассказать нам, как ваш опыт там повлиял на ваш карьерный рост в области науки о данных?
C: Изучение социальных наук, в целом, отличный способ привыкнуть к грязным, трудным для решения задачам. определять вопросы - навык, который является ключевым для выполнения работы в области науки о данных, которую лица, принимающие решения, действительно будут чувствовать комфортно. Это своего рода образ мышления по закону Мерфи применительно к результатам эксперимента: я стал чрезвычайно внимателен ко всему, что могло «сбить с толку» или иным образом повлиять на результаты моего анализа, и при необходимости могу привлечь внимание к потенциальным предостережениям. Таким образом, заинтересованная сторона может использовать свои знания в предметной области, чтобы решить, считают ли они эти вещи важными или не важными для наших выводов, и мы можем соответствующим образом скорректировать эксперимент / анализ.

Вдобавок к этому я, вероятно, провел вместе полтора года, работая в психологических лабораториях, чтобы проводить эксперименты. Несмотря на то, что на таких должностях связано много «грубой работы», такой как ввод данных, вы также получаете место в первом ряду, чтобы узнать, как на самом деле происходят научные исследования, от сбора данных до окончательного статистического анализа, и вы можете участвовать в некоторых решениях, которые принимаются по ходу дела. Это хорошо подготовило меня к рабочим процессам в области науки о данных, а также дало мне некоторые практические навыки (например, работу с электронными таблицами) и способность делать все, что будет полезно в дальнейшем.

О: Раньше вы проходили стажировку в Curology в качестве специалиста по науке о данных. Не могли бы вы обсудить, как наука о данных выглядит в индустрии ухода за кожей? На какие вопросы вы и ваша команда стремились ответить? И какие из самых интересных проектов, над которыми вы работали в свое время в Curology?
C: Я думаю, что мой опыт в Curology был хорошим примером того, как наука о данных выглядит в D2C (direct-to -потребительский) бизнес в целом, особенно в контексте стартапа. Часто бывает, что первое, что компании, ориентированной на потребителя, нуждаются в данных (конечно, после инженеров по обработке данных), это на самом деле просто много описательной статистики, часто известной как «понимание потребителя».

Поскольку я работал в отделе привлечения пользователей, я был особенно сосредоточен на ответах на вопросы, которые помогли бы нам принимать более эффективные маркетинговые решения по множеству различных каналов привлечения пользователей. 80% времени я писал SQL для нашего хранилища данных, чтобы лучше понять поведение различных клиентских сегментов и отслеживать, как это поведение менялось с течением времени, и превращал эти результаты в интерпретируемые информационные панели для использования остальной частью команды. В остальных 20% случаев я использовал Python для анализа и визуализации ответов клиентов на опросы, чтобы лучше понять, что им понравилось и что им нужно от Curology.

Вот несколько вопросов, которые я должен был задать и ответить:

  • Как меняются цели клиентов по уходу за кожей в зависимости от их демографических данных (пола, возраста и т. Д.)? Что является наиболее важным для каждого сегмента клиентов и как мы можем гарантировать, что мы хорошо обслуживаем каждую из их потребностей?
  • У каких из наших каналов были самые «липкие» клиенты, т. Е. Клиенты, которые, как правило, оставались с нами дольше всех? Связаны ли какие-либо другие варианты поведения или предпочтения с продолжительностью подписки?
  • Можем ли мы построить модель, которая будет использовать имеющиеся у нас исторические данные о поведении клиентов, чтобы спрогнозировать пожизненную ценность клиента (LTV) во время регистрации? (На самом деле это очень сложно, когда ваша клиентская база быстро растет из-за соображений выборки!)

Я многому научился. Анализ данных с помощью SQL не только помогает вам изучить SQL; это на самом деле помогает вам мыслить аналитически, как бы банально это ни звучало. Сначала вам нужно научиться переводить чей-то вопрос о клиентах на естественном языке в соответствующие метрики (где эти метрики часто будут иметь разные условия фильтрации и предположения, в зависимости от предполагаемого варианта использования!), А затем ТАКЖЕ узнать, как на самом деле выполнить это в математически и технически правильный способ использования кода SQL. Иногда вам даже нужно будет убедиться, что вы используете правильные таблицы / данные, потому что таблицы устарели, не все данные попадают в таблицу из-за ошибок в конвейере, или метрика X начала отслеживаться только 6 месяцев назад и т. Д. При выполнении такой работы вам следует помнить о многих практических соображениях. Проведение надежного анализа данных так же сложно, как и машинное обучение IMO, хотя иногда и по разным причинам.

A: Вы всегда знали, что работать в области науки о данных - это то, чем вы хотите заниматься? Что вдохновило вас на карьеру в области обработки естественного языка? И не могли бы вы рассказать нам немного о своей работе над командой прикладных исследований Primer.Ai, как выглядит команда?
C: Вовсе нет! Я не думаю, что многие из нас, кто сегодня занимается наукой о данных, могли предвидеть рост этой области. Я даже не знал о широком использовании прикладной статистики в частном секторе до последнего года обучения в бакалавриате.

Когда я получил диплом бакалавра искусств и приступив к своей первой работе в маркетинге, я относительно быстро понял, что это мне не подходит. Я начал исследовать свои альтернативы, чтобы увидеть, может ли быть карьера, в которую я мог бы перейти, которая лучше соответствовала бы моей личности и ценностям (и, честно говоря, более оплачивалась, так как зарплаты маркетолога начального уровня было достаточно, чтобы прожить зарплату. до зарплаты в районе залива).

После нескольких месяцев копания я остановился на науке о данных. Это была интеллектуально сложная работа, которая могла оказать огромное влияние как на экономику, так и на общество в целом. Более того, я заметил, что люди, работающие в области науки о данных, часто больше заботятся об этике, чем я видел где-либо еще. То, что люди на местах искренне заботились о том, как их работа повлияет на людей, действительно говорило со мной, и это в конечном итоге помогло мне принять решение о переходе.

Тем не менее, я все еще не был уверен, потому что у меня был негативный опыт в математике и информатике в бакалавриате, и я не был уверен, что смогу взломать его (ха-ха). В первой четверти в Стэнфорде я получил худшие оценки, которые я когда-либо получал в своей жизни за курс математического анализа и курс CS, что заставило меня серьезно задуматься, не годен ли я для таких предметов. Когда я начал это путешествие, мне пришлось убедить себя, что я могу добиться успеха, используя объективные измерения вместо своих собственных ощущений: «Ну, я набрал X на SAT, а средний балл по специальностям CS на SAT был Y (где X› Y), так что я должен быть в состоянии выучить математику и другие материалы так же хорошо, как и другие люди в этой области… »

«Я люблю НЛП, потому что я могу внести непосредственный вклад, помогая людям преодолеть шум и понять то, что им нужно знать, чтобы жить своей жизнью и выполнять свою работу более эффективно».

Позже я установил связь во время моего M.S. По статистике, основными причинами моей неуспеваемости в качестве старшекурсника были отсутствие хороших привычек в учебе и отсутствие интереса к математике как предмету. В старших классах я мог спокойно ждать накануне вечером, чтобы подготовиться к экзамену, и никогда не читать учебник вне класса, но в Стэнфорде этого больше не было. Со временем я улучшил свои учебные привычки, и к тому времени, когда я прошел 2 курса статистики в старшем классе, я смог добиться их обоих. Точно так же, как только я начал узнавать о некоторых захватывающих и неожиданных способах применения математики и статистики в реальном мире с помощью науки о данных, мой разум действительно осознал преимущества математики, и внезапно возникла мотивация овладеть ею. Я получил пятерку в моем M.S. курсовую работу на все 3 семестра, в которые я был зачислен.

Все еще немного безумно думать, что всего несколько лет назад я действительно не любил и математику, и программирование, но теперь я здесь, использую их и то, и другое каждый день и искренне наслаждаюсь этим. Я действительно хочу подчеркнуть, насколько важно не помещать себя в поле «математик» / «не математик», и то же самое касается программирования. Оба набора навыков - это просто инструменты, и эти инструменты обладают невероятной силой, чтобы сделать вас более эффективными в любой другой области или интересе, в котором вы заботитесь о значении, будь то искусство, право, социальные науки или более традиционная синергия, такая как инженерия. Если вы сможете преодолеть эти ранние чувства сопротивления и запугивания, вас ждут прекрасные чувства компетентности и достижений, когда вы начнете использовать эти инструменты для того, что вам небезразлично.

Что касается того, почему я выбрал именно обработку естественного языка (NLP), то есть несколько причин. На уровне карьеры я считал сообщество НЛП более гостеприимным к людям из нетрадиционного происхождения по сравнению с такой областью, как компьютерное зрение, где я действительно встречался только с людьми из CS, математики, физики и электротехники. На более личном уровне, основанном на интересах, я считаю НЛП областью, которая лучше всего подходит для решения проблемы информационной перегрузки. Существует бесконечное количество информации, которую нужно потреблять, что способствует повышению уровня стресса для всех, а также снижает продуктивность людей, работающих в сфере интеллектуального труда. Я люблю НЛП, потому что я могу внести свой непосредственный вклад в помощь людям, чтобы преодолеть шум и добраться до того, что им нужно знать, чтобы жить своей жизнью, принимать осознанные решения и более эффективно выполнять свою работу.

Моя работа в Primer имеет прямое отношение к проблеме информационной перегрузки. В Primer мы используем мощные передовые модели НЛП для извлечения структурированной информации из зашумленных, неструктурированных текстовых данных. Это помогает нашим клиентам получать необходимую информацию намного быстрее, чем если бы отдельные люди изучали ее сами. Некоторые аналитики работают по 12 часов в день просто потому, что у них нет возможности быстро прочитать и переварить поток информации, за которую они ответственны, чтобы оставаться в курсе последних событий, и мы хотим это изменить.

Моя команда, Applied Research, занимается обучением, тестированием и предоставлением моделей глубокого обучения для продуктов Primer, а затем интегрирует эти модели в наш конвейер данных или предоставляет их для использования через API. Мы также создаем повторно используемые скрипты и ресурсы, которые позволяют людям обучать свои собственные модели на их собственных данных. Работа включает не только модельные эксперименты и разработку, но и тесное сотрудничество с другими командами, которые более непосредственно работают над нашими продуктами и инфраструктурой.

Что касается недели, я бы сказал, что половина времени уходит на написание кода для обучения / оценки модели, предварительной обработки данных и других типичных задач машинного обучения, а другая половина уходит на общение о работе: обсуждение планов , спецификации и прогресс с менеджерами по продуктам, работая с нашей командой по маркировке данных для создания наборов данных для новых и существующих задач, а также представляя компании в целом о новых разработках и улучшениях наших моделей.

A: Во время стажировки в SharpestMinds вы разработали инструментарий для обучения «основанных на BERT моделей распознавания именованных сущностей» для интерфейса анализа ошибок в машинном переводе с русского на английский. Не могли бы вы описать свой проект более подробно и поделиться своими тремя наиболее важными выводами?
C: TL; DR проекта заключается в том, что моему наставнику нужен был способ обучить модели BERT распознаванию именованных сущностей на русском и английском языках, и моя задача заключалась в том, чтобы научиться выполнять NER с BERT в PyTorch, а затем создайте весь конвейер в виде репозитория git, который можно клонировать и запускать локально.

Полученные обученные модели затем можно использовать для выделения объектов, таких как люди, места и организации, в пользовательском интерфейсе, где переводчики будут определять, допустила ли отдельная модель (модель перевода с русского на английский) ошибки при переводе имен. с русского на английский. Я думал, что это - использование моделей для создания более мощного, удобного для человека программного обеспечения - было супер круто, и этот проект действительно послужил развитию моей интриги по созданию инструментов и интерфейсов на основе машинного обучения.

В то время, когда я это делал, в блоге было ровно одно сообщение об использовании BERT для выполнения NER, и код для меня не работал сразу, поэтому излишне говорить: нужно было много чего выяснять по ходу дела! (Тем не менее, спасибо автору, Тобиасу Стербаку, за очень полезный пост; без него мне потребовалось бы намного больше времени, чтобы начать работу.)

Для тех, кто хотел бы получить более подробную информацию, я написал серию из двух частей для блога In-Q-Tel Labs о проекте, когда я его завершал. Вот Часть 1 и Часть 2 серии, а репо можно найти здесь.

C: Что вы посоветуете другим женщинам, которые хотят работать в этой сфере?
C: Если вы все еще учитесь в школе (особенно в старшей школе), у вас есть 3 хороших варианта: учиться информатика и получите широкое образование в области компьютерных наук, изучите количественный предмет, такой как прикладная статистика, экономика или инженерия, и объедините его с курсовой работой по компьютерной науке или изучите качественный предмет, одновременно обучаясь применению DS / ML в своей области. Получите исследовательский опыт, особенно если вы хотите получить степень магистра или доктора философии, и если вы думаете, что предпочитаете промышленность, получите опыт работы в отрасли (проходите стажировку каждое лето, возможно, даже подрабатывайте на полставки в течение учебного года). Какой бы путь вы ни выбрали, имейте в виду, что для достижения успеха в большинстве ролей по-прежнему требуется некоторое концептуальное понимание математики, лежащей в основе DS / ML (статистическая оценка и вероятность, линейная алгебра и исчисление), а также хорошие навыки программирования.

Если вы уже закончили школу, изменив свою карьеру, изучите карьерный рост людей, которые уже работают в этой отрасли. Постарайтесь уделять больше внимания людям, чье происхождение похоже на ваше: например, если вы работаете из «нетехнической» области, которая не связана с математикой или программированием, обратите внимание на то, как другие люди перешли от нетехнические области. Выясните, что им нужно было сделать, чтобы доказать, что они обладают достаточными техническими навыками. Обратитесь к этим людям, посмотрите, сможете ли вы выделить 30 минут их времени на телефонный звонок, и задайте им конкретные, сфокусированные вопросы о том, что вам нужно сделать, чтобы стать подходящим для тех ролей, которые вам интересны.

Те, кто меняет карьеру, также должны серьезно подумать о прохождении программы наставничества, такой как SharpestMinds, если вы переходите от постороннего опыта и нуждаетесь в помощи в разработке и оценке впечатляющего проекта по науке о данных профессионального качества и подготовке к собеседованию. Если вы, как и я, пришли из низкооплачиваемой области, соглашение о распределении доходов - спасение, поскольку вам не нужно ничего платить, пока вас действительно не устроят на должность в области науки о данных.

Кроме того, Статью Вики Бойкис« Наука о данных изменилась » (написанная в прошлом году) обязательно к прочтению любому начинающему специалисту по анализу данных. Я не согласен с тем, что каждый, кто проходит курс Coursera или даже учебный курс, обязательно имеет квалификацию для начального уровня науки о данных, но абсолютно верно, что конкуренция за эти роли очень жесткая, и вам нужно будет что-то сделать, чтобы выделиться от многих претендентов. Как предлагает Вики, если сначала взять на себя смежную роль в общей разработке программного обеспечения или анализе данных, это может быть чрезвычайно полезно для выработки навыков и начала работы.

A: Как наши читатели могут связаться с вами и принять участие в ваших проектах?
C: Вы можете подписаться на меня в Twitter, связаться со мной в LinkedIn или просто отправить мне электронное письмо. Сейчас я очень озабочен своей работой в Primer, но если я начну какие-либо побочные проекты в будущем, я обязательно поделюсь!

Помимо инноваций в области НЛП в качестве инженера по машинному обучению, Шарлин также была активным членом сообщества SharpestMinds. Ее карьера и многопрофильный опыт, сфокусированный на социальных науках и технологиях, продолжают расширять возможности женщин-технологов для инноваций в области науки о данных. Сегодня Шарлин решает самые сложные проблемы в NLG и NLU, тем самым давая людям возможность прорваться сквозь шум и понять мир в масштабе. Помимо того, что Шарлин является образцом для подражания для специалистов по данным, выбравших нетрадиционный карьерный путь, она вдохновляет женщин из разных слоев общества на демократизацию области НЛП.

Особая благодарность Шарлин Чамблисс за то, что позволила мне взять у нее интервью для этой серии, и огромное спасибо редакционной группе TDS за поддержку этого проекта.

Знаете ли вы вдохновляющую женщину в сфере высоких технологий, о которой вы бы хотели рассказать в этой серии? Вы работаете над какими-нибудь интересными проектами в области науки о данных и технологий, о которых хотите, чтобы я написал? Не стесняйтесь писать мне на [email protected] для комментариев и предложений. Спасибо за внимание!

[1] Дополнительная информация, полученная от LinkedIn, доступна по запросу автора.

Использованная литература:

Экономическое разнообразие и результаты студентов в Стэнфорде - The New York Times. нет данных По состоянию на 15 августа 2020 г. https://www.nytimes.com/interactive/projects/college-mobility/stanford-university.

Как настроить BERT для распознавания именованных объектов | Шарлин Чамблисс | Габ41 . нет данных По состоянию на 15 августа 2020 г. https://gab41.lab41.org/how-to-fine-tune-bert-for- named-entity-recognition-2257b5e5ce7e.

Статьи Шарлин Чамблисс (@blissfulchar) - Средний. нет данных По состоянию на 15 августа 2020 г. https://medium.com/@blissfulchar.

Использование Word2vec для анализа заголовков новостей и прогнозирования успеха статьи | Шарлин Чамблисс | К науке о данных . нет данных По состоянию на 15 августа 2020 г. https://towardsdatascience.com/using-word2vec-to-analyze-news-headlines-and-predict-article-success-cdeda5f14751.

(19) Шарлин Чамблисс | LinkedIn . нет данных По состоянию на 15 августа 2020 г. https://www.linkedin.com/in/charlenechambliss/.

Праймер | Нажмите." нет данных По состоянию на 15 августа 2020 г. «https://primer.ai/press/.