«Вы приложили много усилий, чтобы ответить на вопрос, который никогда не следовало задавать».
- Неизвестный
Наука о данных пошла (очень) неправильно
Это одна из самых увлекательных статей, которые я читал за последнее время. В нем подробно описывается крупная ошибка в Herbalife, где основные бизнес-показатели систематически завышались в публичных финансовых отчетах. Руководство винит в ошибках «скрипты отчетности базы данных». Редко можно увидеть такой публичный провал науки о данных; он показывает, насколько важны эффективные аналитические методы в организации.
Это не вина P-ценностей
Я ссылался на несколько статей о Кризисе репликации в прошлом. Нынешняя дискуссия, которая происходит в научном сообществе, оказывает огромное влияние на то, как ведется статистика и как результаты включаются в научные записи. В этой статье дается отличный фон по этому вопросу и освещаются пакеты R, которые аналитики могут использовать для исправления эффектов одновременного и выборочного вывода. Более подробное освещение этой темы см. в Недавней статье FiveThirtyEight.
Обучите свой собственный классификатор изображений с помощью Inception в TensorFlow
Возможно, вы хотите обучить свою собственную модель распознавания изображений с помощью TensorFlow Inception. Или, может быть, вы, как и я, просто хотите быть в курсе самых современных инструментов глубокого обучения. В любом случае, недавнее объявление Google знаменует собой шаг вперед в способности сообщества использовать TensorFlow для решения широкого круга задач. Ожидайте, что вскоре индивидуальные ансамбли Inception будут побеждать в соревнованиях Kaggle.
Более 16 лет истории проекта R
В феврале исполнилось 16 лет. С тех пор количество пакетов, доступных в CRAN, выросло до 8000. Хотя успех R, безусловно, впечатляет, влияние этого успеха за этот период действительно вдохновляет. 20 лет назад расширенная статистика была практически недоступна для тех, кто не мог позволить себе дорогостоящие лицензии на программное обеспечение. Сегодня любой, у кого есть ноутбук, может участвовать в создании новых человеческих знаний.
Что данные могут сделать для борьбы с бедностью
Надежда и риторика отлично подходят для мотивации, но не для выяснения того, что делать. Вот вам и нужны данные. Это отличная статья от NYTimes, в которой основное внимание уделяется влиянию рандомизированного контрольного испытания на оценку воздействия программ борьбы с бедностью. Если вы заинтересованы в дальнейшем изучении этой темы, прочитайте книгу 2011 года Плохая экономика.
Как ты умрешь
Это весело. И под весело я определенно подразумеваю страшно. Укажите свой возраст, этническую принадлежность и возраст, и вы увидите визуализацию того, как умирает ваша демографическая группа. Вот и живи настоящим.
