Обзор наиболее интересных материалов по анализу данных и машинному обучению №14 (15 — 21 сентября 2014)

Представляю вашему вниманию очередной выпуск обзора наиболее интересных материалов, посвященных теме анализа данных и машинного обучения. Хочу также обратить внимание, что я выпустил первый дайджест по теме высокой производительности и Data Enginering: Обзор наиболее интересных материалов по высокой производительности (15 — 21 сентября 2014) ^[1]. Думаю, что кого-то он тоже может заинтересовать.

Общее

•  KDD 2104: Google KV и Topic Modeling ^[2]
  Авторы блога компании URX делятся своими впечатлениями от недавно прошедшей в Нью-Йорке конференции KDD 2014, а именно рассказывают о системе под названием Google Knowledge Vault, которая активно используется в Google для улучшения качества поиска и о другой интересной теме тематического моделирования (Topic Modeling).
•  10 лучших презентаций с SlideShare по Data Science и Big Data ^[3]
  Статья со списком из 10 презентаций с сайта SlideShare по темам Data Science и Big Data с наибольшим количеством просмотров.
•  Библиотека cuDNN для Deep Learning ^[4]
  Анонс библиотеки от NVIDIA для работы с Deep Learning алгоритмами, которая использует GPU для вычислений, данный подход позволяет увеличить эффективность работы алгортимов машинного обучения.
•  Статистика против эвристики ^[5]
  Интересные размышления автора статьи о о том, когда резонно применять эфристические подходы.
•   В Лондоне прошла конференция «Эффективные применения языка R» ^[6]
  Автор блога «R: Анализ и визуализация данных» рассказывает о конференции «Effective Applications of the R Language (EARL)», посвященной применению языка программирования R.
•  Введение в Predictive Analytics (часть 2) ^[7]
  Вторая часть новой серии статей от портала insideBIGDATA по теме Predictive Analytics. В данном случае речь пойдет об областях применение Predictive Analytics в корпоративной сфере бизнеса.
•  Введение в Predictive Analytics (часть 3) ^[8]
  Третья часть новой серии статей от портала insideBIGDATA по теме Predictive Analytics. В третьей части описываются основные подходы, которые используются при обучении с учителем (Supervised learning), такие как регрессия, классификация и кластеризация.
•  Популярные вопросы на собеседовании на должность аналитика ^[9]
  Небольшая статья, которая содержит несколько популярных вопросов, которые задают на собеседовании на должность аналитика.
•  Vincent Granville о Big Data ^[10]
  Vincent Granville — автор портала DataScienceCentral, приводит свои размышления и дает определение понятия Big Data.
•  Как добиться успеха в Big Data ^[11]
  Небольшая статья с инфографикой, которая расскажет об основных факторах, которые влияют на успешность компании в области Big Data.
•  Как стать Data Scientist ^[12]
  Несколько советов о том, как стать Data Scientist и быть успешным в области анализа данных.
•   Поддержка R в Azure ML ^[13]
  Небольшая статья с блога Microsoft Technet Machine Learning о возможности использования R в облачном решении Azure ML.
•  5 ключевых идей для понимания Big Data ^[14]
  Интересный пост от портала Smart Data Collective, который рассказывает 5 ключевых моментах, которые помогут извелкать пользу из данных наиболее эффективно.
•   Применение машинного обучения для трейдинга (часть 2) ^[15]
  Продолжение темы использования машинного обучения для трейдинга.
•  10 экспертов в машинном обучении ^[16]
  Список из 10 известных людей в области анализа данных и машинного обучения.
•  Data Mining против(?) Data Science ^[17]
  Еще немного интересных размышлений по поводу терминологии.
•   Введение в машинное обучение и быстрый старт с Azure ML ^[18]
  Интересная статья, описывающая возиожности нового облачного продукта для машинного обучения от Microsoft под названием Azure ML.

Соревнования по машинному обучению

•  Описание победной методологии «Higgs Boson Machine Learning Challenge» ^[19]
  Интересной рассказ от победителя соревнования по машинному обучению «Higgs Boson Machine Learning Challenge» на Kaggle, где он описывает подход, который принес ему успех в данном соревновании.
•  Соревнование по расшифровке Азбуки Морзе на Kaggle in Class ^[20]
  В данном небольшом посте речь пойдет о новом соревновании, которое началось на Kaggle in Class под названием Morse Learning Machine — v1. Предполагается, что участники Morse Learning Machine построят систему, которая будет расшифровывать сообщения закодированные Азбукой Морзе, содержащиеся в аудиофайлах.
•  Хакатон по машинному обучению от Microsoft ^[21]
  Статья с блога Microsoft Technet Machine Learning, в которой рассказывается о прошедшем под эгидой Microsoft хакатоне по машинному обучению.

Онлайн-курсы и обучающие материалы

•  Анонсирован новый онлайн-курс «Process Mining: Data science in Action» ^[22]
  Не так давно был анонсирован новый онлайн-курс на Coursera по тематике анализа данных под названием «Process Mining: Data science in Action», который представлен Eindhoven University of Technology.

Литература

•  Книга «Forecasting Principles and Practices» в бесплатном доступе ^[23]
  Rob J Hyndman в своем блоге сообщил, что его популярную книгу «Forecasting Principles and Practices» теперь можно найти в онлайн в бесплатном доступе.

Теория и алгоритмы машинного обучения, примеры кода

•   Визуализация GPS-данных ^[24]
  Неплохой пример кода для визуализации данных с GPS-устройства с использованием языка программирования R.
•   Настройка .RProfile ^[25]
  Статья посвящена полезной и интересной теме настройки параметров запуска R с помощью файла конфигурации .RProfile.
•   Визуализация данных с помощью R Caret ^[26]
  Автор блога MachineLearningMastery рассказывает о возможностях визуализации данных в популярной библиотеке по машинному обучению Caret для языка программирования R.
•   Использование R Caret для Predictive Modeling ^[27]
  Автор блога MachineLearningMastery рассказывает про использование популярной библиотеки Caret для языка программирования R для Predictive Modeling.
•   Улучшение обучающей модели с помощью R Caret ^[28]
  Автор блога MachineLearningMastery рассказывает про возможности улучшения обучающей модели с помощью библиотеки Caret для языка программирования R
•    Серия слайдов по теме анализа данных на R ^[29]
  В данном наборе слайдов Yanchang Zhao касается семи достаточно интересных тем по анализу данных и использует язык программирования R для примеров кода.
•    Диагностика линейных регрессионных моделей. Часть 1 ^[30]
  Первая часть серии статей по достаточно интересной теме диагностики линейных регрессионных моделей с блога «R: Анализ и визуализация данных». Примеры кода в статье написаны на языке программирования R.
•   Введение в вероятностное программирование ^[31]
  Достаточно неплохое введение в интересную тему вероятностного программирования с примерами кода.
•  Анализ тональности текста в рецензиях к фильмам ^[32]
  Интересный пример анализа текстовой информации, а именно анализа тональности текста в рецензиях на фильмы, с использованием популярной графовой базы данных Neo4j и языка программирования Java.
•  Машинное обучение на живой среде ^[33]
  Colin Ristig рассказывает о достаточно интересном и важном вопросе, который иногда забывают — работа алгоритма машинного обучения на живой среде.
•  Библиография по теме Deep Learning ^[34]
  Большой список различных научных материалов по популярному методу машинному обучения Deep Learning, с разбиением на категории.

Видеоматериалы

•   Andrew Ng о Deep Learning ^[35]
  Andrew Ng из Stanford University выступил на конференции «2014 Robotics: Science and Systems Conference» с интересным докладом о Deep Learning.
•   Moscow Data Science. September 2014 Meetup ^[36]
  5 сентября посетил достаточно интересный meetup под названием Moscow Data Science — «September 2014 Meetup», организованный компанией Mail.ru. По ссылке можно будет посмотреть видео с данной встречи, я для удобства разметил время начала и длительность выступления каждого участника.

Data engineering

•  Кто и как использует Hadoop ^[37]
  Интересная статья о текущем состоянии дел в экосистеме Hadoop: кто и как её пользуется, а также о преспективах развития.
•  Ближайшие встречи по Data Science в Москве ^[38]
  В ближайшее время намечается сразу несколько интересных митапов, поэтому я решил опубликовать небольшой список ближайших интересных встреч по теме анализа данных и высокой производительности в Москве.
•  10 способов работы с Hadoop через SQL-запросы ^[39]
  10 инструментов и способов для работы с Hadoop через SQL-запросы и небольшое описание каждого.
•   Приглашаем на HadoopKitchen ^[40]
  Объявление о встрече, посвященной Hadoop, которая состоится в офисе Mail.ru. Я тоже собираюсь посетить данное мероприятие.
•   Введение в HBase ^[41]
  Статья, содержащая видео и поясняющий материал по теме HBase — хранилища данных из экосистемы Hadoop, а также рассказывающая о ситуациях, когда стоит применять данное решение и когда не стоит.
•  Анонс Apache Spark 1.1 ^[42]
  Анонс новой версии Apache Spark 1.1 и описание основных нововведений.
•  Потоковая обработка данных в Apache Spark 1.1 ^[43]
  Статья о новых возможностях потоковой обработки данных в Apache Spark 1.1 и о вариантах использования данной функциональности.
•    Статистические вычисления в Apache Spark 1.1 ^[44]
  Описание расширенных возможностей статистических вычислений в Apache Spark 1.1.

Обзоры

•  Еженедельный дайджест от DataScienceCentral ^[45]
  Регулярный еженедельный дайджест статей по анализу данных от портала DataScienceCentral.
•  Дайджест лучших ресурсов от DataScienceCentral ^[46]
  Неплохой список свежих интересных статей и ресурсов от DataScienceCentral.
•  Лучшие статьи KDnuggets (7 — 13 сентября) ^[47]
  Список лучших статей портала популярного KDnuggets в период с 7 по 13 сентября.
•  Новости Data Mining ^[48]
  Небольшой список интересных ресурсов по теме Data Mining от 17 сентября.
•  Наиболее интересные материалы от Freakonometrics ^[49]
  Сборник наиболее интересных материалов от популярного портала Freakonometrics

Предыдущий выпуск: Обзор наиболее интересных материалов по анализу данных и машинному обучению №12 (1 — 8 сентября 2014) ^[50]

P.S. Думаю, что многим хотелось бы видеть больше материал по тематике на русском языке, так что если кто-то может посоветовать таковые, то я буду очень признателен и добавлю их в свой список ресурсов за которыми слежу.

Автор: moat

Источник ^[51]