Есть много путей к карьере в науке о данных, и не все из них предполагают хороший опыт программирования. Когда мы слышим, как люди, занимающиеся данными, сомневаются в себе и своих способностях, повторяющаяся тема — это код: «Являюсь ли я вообще настоящим специалистом по данным, если я не знаю, как [вставить ваши собственные предполагаемые недостаток кодирования]?»
Ну да, ты! Никто не знает всего; все, на что мы можем надеяться, — это признать пробелы в наших знаниях и найти эффективный способ их устранения. Основные моменты этой недели здесь, чтобы помочь вам в вашем путешествии по программированию: каждый из них подходит к (обширной) теме программирования для науки о данных с разных точек зрения, и каждый предлагает различные типы практических выводов. Наслаждаться!
- Что вообще такое хороший код? Отличное введение Сергея Мастицкого в передовые практики кодирования — подробное, доступное и подробное. Это также полезное напоминание о том, что написание чистого и ясного кода — это не демонстрация вашего технического мастерства, а скорее щедрость и сочувствие к вашим коллегам и пользователям.
- Изучите основы ведения журнала. Еще один важный аспект надежного товарища по команде? Убедитесь, что в вашем коде есть хорошие вызовы журналирования, чтобы его было легко отлаживать. Учебник Кей Ян Вонг по ведению журналов охватывает все основные функции, вплоть до более сложных и специализированных, охватывает распространенные проблемы и включает полную реализацию на Python.
- Как ваши навыки работы с Python могут упростить ваши рабочие процессы. Оставаясь на практической стороне дела, Ребекка Викери знакомит нас со всеми тонкостями трех библиотек Python — Lux, Pandas Profiling и SweetViz, — которые автоматизируют рутинную задачу профилирования данных (важный первый шаг). в любом анализе данных, прежде чем применять другие методы).
- Никогда не поздно изменить курс. Кен Джи недавно поделился полезными советами по обучению кодированию, сосредоточив внимание на различных решениях, которые он принял бы, оглядываясь назад. Один важный урок из его статьи заключается в том, что независимо от того, где вы находитесь в своем путешествии по науке о данных, у вас есть время адаптировать то, как вы развиваете и совершенствуете свои навыки.
Мы надеемся, что на этой неделе у вас осталось немного времени для еще нескольких отличных постов, которые мы опубликовали — было бы обидно пропустить их!
- После долгого и яркого выступления в качестве ведущего подкаста TDS Джереми Харрис поделился последним эпизодом о будущем ИИ.
- Выбор правильного типа визуализации для вашего проекта по науке о данных имеет решающее значение. Руководство Семи Коэна поможет вам принимать взвешенные и эффективные решения.
- Как звучит ИИ-опера? Дебютный пост Нико Вестербека проводит нас через увлекательный процесс создания В погоне за водопадами в Опере Земпера в Дрездене, Германия.
- Узнайте, как использовать функциональный API TensorFlow для предсказания двух результатов с помощью одной модели, следуя пошаговому руководству Рашиды Насрин Сакки.
- Всегда приятно публиковать новые интересные работы Майкла Бронштейна; его последняя статья (с соавторами Франческо Ди Джованни, Джеймсом Роуботтомом, Беном Чемберленом и Томасом Марковичем) представляет Gradient Flow Framework (GRAFF), основанный на физике подход к графическим нейронным сетям.
Спасибо, как всегда, за время, которое вы уделяете работе наших авторов. Если вы хотите выразить свою поддержку другими значимыми способами, подумайте о том, чтобы стать участником Medium.
До следующей переменной,
Редакторы TDS
