Тенденции на этой неделе: передача знаний при самостоятельном обучении; Понять концепции машинного обучения с помощью интерактивного пользовательского интерфейса; Обвинение Facebook в дезинформации.

Каждую неделю мы анализируем в Твиттере самые обсуждаемые темы авторитетами в области науки о данных и искусственного интеллекта.

Следующие темы, URL-адреса, ресурсы и твиты были автоматически извлечены с использованием метода моделирования тем на основе Sentence BERT, который мы улучшили для соответствия нашему варианту использования.

Хотите узнать больше об используемой методологии? Перейдите в эту статью, чтобы узнать больше, и найдите коды в этом репозитории Github!

Обзор этой недели

На этой неделе влиятельные лица в области науки о данных говорили о:

  • Удобные и производительные инструменты машинного обучения
  • Объяснение передовых концепций машинного обучения
  • Обвинение в дезинформации алгоритмов Facebook

Вот все подробности по каждой теме:

Удобные и производительные инструменты машинного обучения

На этой неделе некоторые влиятельные лица поделились очень интересными ресурсами по машинному обучению, в которых представлены инструменты, которые очень полезны для различных целей.

Ipfconline опубликовал статью Parul Pandey, в которой представлены некоторые инструменты, помогающие понять концепции или алгоритмы машинного обучения с использованием интерактивных пользовательских интерфейсов.

Он также поделился статьей, опубликованной в блоге компании nanonet, в которой представлены проверки работоспособности для машинного обучения, руководство, в котором приведены ключи о том, как оценивать уровень производительности систем машинного обучения в производственной среде, как диагностировать неожиданные результаты и как выполнять повторное обучение моделей.

Майкл Каваретта поделился статьей, опубликованной на KDnuggets, в которой представлены некоторые интересные инструменты с открытым исходным кодом, позволяющие отслеживать модели машинного обучения в производственных средах.

Объяснение передовых концепций машинного обучения

На этой неделе влиятельные лица поделились статьями, подробно объясняющими передовые концепции машинного обучения.

Ipfconline опубликовал статью, в которой объясняется передача знаний при самостоятельном обучении. Он обеспечивает подход, который позволяет нам улучшать методы самоконтроля с помощью моделей глубокого обучения и сложных задач с предлогом.

Кроме того, он также поделился ссылкой, содержащей важное руководство по моделям преобразователей в машинном обучении. В этой статье дается исчерпывающее представление моделей трансформаторов и подробно описывается архитектура моделей трансформаторов, содержащих слои самовнимания.

Со своей стороны Андреас Штауб поделился статьей, в которой познакомил с 63 алгоритмами машинного обучения. В нем объясняется, что алгоритмы машинного обучения можно разделить на 11 ветвей на основе лежащих в основе математических моделей. Которые представлены в статье.

Утверждение о дезинформации AI-алгоритмы Facebook

Вопрос об алгоритмах искусственного интеллекта Facebook,« склонных к распространению дезинформации, был горячей темой среди специалистов по данным в T-Town. Маркус Борба и Найдж Уилсон поделились ссылкой на статью Массачусетского технологического института, в которой объясняется проблема с пристрастием Facebook к дезинформации.

Доктор Марк ван Рейменам заметил, что, хотя Facebook пытался разработать ответственный ИИ, они явно потерпели неудачу, и это объясняет, как Facebook пристрастился к распространению дезинформации при публикации этой статьи.

Найдж Уилсон также поделилась другой интересной статьей, объясняющей, почему использование Facebook для обучения искусственного интеллекта поднимает флаги конфиденциальности.

Ив Малкерс также ретвитнул статью в Facebook, посвященную обширному закулисному исследованию сомнений, высказанных американскими пользователями в отношении вакцин.