История - это слово, которое иногда кажется чрезмерным, в том числе в контексте науки о данных. Не каждая колода слайдов с четкой структурой и полезными выводами - это рассказ, и это нормально. Но, как утверждает Мари Лефевр в своем посте о убедительном повествовании о данных, существуют проверенные временем способы сделать любой анализ запоминающимся и увлекательным, так зачем довольствоваться сухим и поверхностным ?
Авторы TDS конечно не соглашаются на сухость и поверхностность; мы часто поражаемся разнообразию рассказов и голосов, которыми мы можем поделиться. Требуются большие навыки и усилия, чтобы вдохнуть жизнь в темы, которые на первый взгляд кажутся очень техническими. Когда вы слышите воспроизводимое исследование, вы бежите прямо на кухню, чтобы бросить попкорн в микроволновую печь? Возможно, вам стоит, если следующий пункт в вашей повестке дня - призыв Винсента Ванхауке признать ценность невоспроизводимых исследований, основанный на его исследовательской работе по робототехнике в Google.
Пока ваш попкорн еще свежий, переходите к исследованию Арно Гусман-Аннеса оптимизации парка авиакомпаний во время пандемии - сложной проблемы, к которой он подходит с ясностью и терпением.
У вас еще осталось несколько ядер? Вы не пожалеете, что погрузитесь в исследование Изабель Огенштейн Википедии ученых НЛП, где также обсуждается, что эти страницы Wiki говорят нам о предвзятости и репрезентативности в этой области.
Обучение другого человека тому, как достичь конкретной цели, - тоже форма рассказывания историй, и лучшие учителя заставляют своих учеников забыть, что они учатся. Хотите окунуться в увлекательный и веселый урок? Начните с руководства Хуен Чан, в котором показано, как создавать математические анимации на Python, а затем переходите к свежему взгляду Вишеша Кхемани, доктора философии на поиск. алгоритмы, которые выталкивают абстрактные концепции в физический мир (спойлер: задействованы книги).
Завершите учебное занятие насыщенной ресурсами статьи редактора TDS Эллиота Ганна О важности документации - она включает в себя некоторые из лучших статей, которые мы опубликовали по этому важному, но часто Заброшенная тема.
Если ваше представление об увлекательной истории склоняется к спекулятивному и мета, не бойтесь: вы не оставите этот информационный бюллетень с пустыми руками. Вы можете провести следующие 11 минут, размышляя над мыслями Марка Саруфима о лагранжевой механике, используя связи между машинным обучением и физикой. Или возьмите наушники, прогуляйтесь и послушайте разговор Джереми Харриса с Мелани Митчелл в подкасте TDS, где они обсуждают пределы ИИ и почему будущее, в котором мы все служат нашим повелителям ИИ, возможно, не просто за углом.
Спасибо за внимание, чтение и участие на этой неделе, а также за то, что открыли наше сообщество для стольких бесед. И спасибо вам за вашу поддержку.
До следующей переменной
Редакторы TDS
Последние добавления к нашим избранным темам:
Начиная
- Практическая демонстрация SQL и NoSQL баз данных в Python от Мэтта Сосны
- Контрольный список для отслеживания ваших достижений в области науки о данных от Паскаля Янецки
- Введение в ботов, автор: Сара А. Метвалли
Практические руководства
- Ученые, занимающиеся данными, ежедневно используют команды Git, автор: Варшита Шер
- Визуализация мексиканских лесных пожаров в 2017 году с помощью Folium от Исаака Арройо
- Python 101 с множественной линейной регрессией от Чака Аттербека
Глубокие погружения
- Оптимизаторы нейронных сетей стали проще: основные алгоритмы и зачем они нужны, автор Кетан Доши
- Наука о данных в мире радикальной неопределенности Джеймс Лоу
- Лучшие практики MLOps для специалистов по данным Мэгги МАННА