Обзор наиболее интересных материалов по анализу данных и машинному обучению №33 (26 января — 1 февраля 2015)
Представляю вашему вниманию очередной выпуск обзора наиболее интересных материалов, посвященных теме анализа данных и машинного обучения.
Общее
Почему стоит изучать R, если вы решили заняться «наукой о данных» [1]
Постер Data Science [2]
Глубокие недостатки глубокого обучения [3] — интересная статья с блога KDnuggets о потенциальных недостатках популярного метода машинного обучения Deep Learning.
Может ли Microsoft сделать R простым? [4]
Большой список ресурсов по теме искусственного интеллекта [5] — здесь есть ссылки на курсы, книги, ресурсы по программированию, примеры кода и еще масса других интересных ссылок по теме AI.
О машинном обучении простым языков [6] — краткая статья об основах машинного обучения от авторов блога Analytics Vidhya.
Новичок в теме Deep Learning? Вот 4 простых урока от Google [7]
Big Data: 5 ведущих компаний и их планы на 2015 год [8]
Теория и алгоритмы машинного обучения, примеры кода
Линейная регрессия на R [9] — в данной публикации описаны 4 способа использования линейной регрессии в языке программирования R.
Когда данных действительно много: Vowpal Wabbit [10]
Deep learning и Caffe на новогодних праздниках [11]
Word2Vec в примерах [12]
Проект Providence: Использование машинного обучения в работе Stack Exchange [13]
Создание предсказательной модели в Azure ML [14] — пошаговый пример создания предсказательной модели в набирающем популярность облачном продукте Microsoft Azure Machine Learning.
Слежение за объектом в реальном времени с дрона с использованием Python и OpenCV [15]
Eigenfaces: создание призрачных образов из набора лиц [16] — достаточно интересная статья, посвященная одному из теоретических аспектов распознавания лиц.
Статистический взгляд Deep Learning (часть 1): рекурсивные обобщенные линейные модели (Recursive GLMs) [17]
Пример реализации комитета алгоритмов с помощью scikit-learn [18] — очередная хорошая статья от Sebastian Raschka, в данном случае это пример реализации комитета алгоритмов, а именно Weighted Majority Rule Ensemble Classifier с использованием библиотеки scikit-learn.
Пример предсказательной модели в R: кластеризация по сходству тэгов [19] — небольшой пример кода на R по кластеризации данных от автора библиотеки Caret.
spaCy: современная библиотека для обработки естественного языка [20] — интересная библиотека для NLP с использованием Python.
Параллельное программирование с использованием GPU и R [21]
Введение в потоковый метод k-средних в Apache Spark 1.2 [22]
Краткое введение в линейную регрессию [23]
Использование Apache Hadoop для предсказания задержек авиарейсов (часть 3) [24] — третья часть серии статей с блога компании Hortonworks о практическом использовании Apache Hadoop для предсказания задержек авиарейсов.
Deep learning для обработки естественного языка: подборка недавних публикаций [25]
Что такое обучение с учителем (Supervised learning) и обучение без учителя (Unsupervised learning) [26]
Соревнования по машинному обучению
Интервью с победителями соренования «American Epilepsy Society Seizure Prediction Challenge» на Kaggle [27]
Обучаемый персептрон в соревнованиях по машинному обучению [28]
Онлайн-курсы, обучающие материалы и литература
Начало курса «Линейная алгебра» на Coursera [29] — 2 февраля на Coursera начнется русскоязычный курс, посвященный линейной алгебре и представленный НИУ «Высшая школа экономики».
DataQuest: онлайн-обучение машинному обучению [30] — не так давно запущенная англоязычная бесплатная платформа для изучения Data Science с использованием Python.
Стартовал онлайн-курс «Linear Algebra — Foundations to Frontiers» [31] — 28 января на edX начался курс по основам линейной алгебры от «The University of Texas at Austin: Linear Algebra — Foundations to Frontiers».
Coding the Matrix на Coursera [32] — и еще один курс, посвященный линейной алгебре, начнется в ближайшие дни на Coursera: «Coding the Matrix: Linear Algebra through Computer Science Applications».
Обзор книги: Getting started with data science in the cloud [33]
Книга: Beginning Data Science with R [34]
Видеоматериалы, подкасты
Введение в Deep Learning от Nando de Freitas [35] — интересное видео от Dr. Nando de Freitas (Adjunct Professor at UBC Computer Science, Full-time Professor at Oxford). В данном случае это лекция по основам Deep Learning.
Talking Machines: Эпизод 3: Интервью с Kevin Murphy [36] — третий эпизод «Talking Machines», в данном случае это интервью с Kevin Murphy (Research Scientist, Google), в данном эпизоде затронуты такие темы, как использование Torch, PyMC, Weka, Theano, Caffe и другие.
Введение в Microsoft Azure Machine Learning [37] — видеолекция об основах Microsoft Azure Machine Learning с портала Microsoft Virtual Academy.
Data engineering
Обзоры
Лучшие материалы за неделю от KDnuggets.com (18 — 24 января) [39]
Новости Data Science от MyDataMine.com (29 января) [40]
Новости Big Data от MyDataMine.com (26 января) [41]
Еженедельный дайджест от DataScienceCentral (5 февраля) [42]
Лучшие ресурсы за неделю от Data Elixir (№20) [43]
Еженедельный сборник лучших материалов от R1Soft (30 января) [44]
Наиболее интересные материалы по High Scalability (30 января) [45]
Предыдущий выпуск: Обзор наиболее интересных материалов по анализу данных и машинному обучению №32 (19 — 25 января 2015) [46]
Автор: moat
Источник [47]
Сайт-источник PVSM.RU: https://www.pvsm.ru
Путь до страницы источника: https://www.pvsm.ru/data-mining/81303
Ссылки в тексте:
[1] Почему стоит изучать R, если вы решили заняться «наукой о данных»: http://r-analytics.blogspot.ru/2015/01/r.html#.VMt5iy6xUXE
[2] Постер Data Science: http://igorsubbotin.blogspot.ru/2015/01/data-science-poster.html
[3] Глубокие недостатки глубокого обучения: http://www.kdnuggets.com/2015/01/deep-learning-flaws-universal-machine-learning.html
[4] Может ли Microsoft сделать R простым?: http://www.infoworld.com/article/2876535/application-development/can-microsoft-make-r-easy.html
[5] Большой список ресурсов по теме искусственного интеллекта: https://github.com/owainlewis/awesome-artificial-intelligence
[6] О машинном обучении простым языков: http://www.analyticsvidhya.com/blog/2015/01/introduction-online-machine-learning-simplified-2/
[7] Новичок в теме Deep Learning? Вот 4 простых урока от Google: https://gigaom.com/2015/01/29/new-to-deep-learning-here-are-4-easy-lessons-from-google/
[8] Big Data: 5 ведущих компаний и их планы на 2015 год: http://smartdatacollective.com/bernardmarr/294896/big-data-5-top-companies-and-their-plans-2015
[9] Линейная регрессия на R: http://igorsubbotin.blogspot.ru/2015/01/linear-regression-in-r.html
[10] Когда данных действительно много: Vowpal Wabbit: http://habrahabr.ru/post/248779/
[11] Deep learning и Caffe на новогодних праздниках: http://habrahabr.ru/post/249089/
[12] Word2Vec в примерах: http://habrahabr.ru/post/249215/
[13] Проект Providence: Использование машинного обучения в работе Stack Exchange: http://kevinmontrose.com/2015/01/27/providence-machine-learning-at-stack-exchange/
[14] Создание предсказательной модели в Azure ML: http://blog.learningtree.com/how-to-build-a-predictive-model-using-azure-machine-learning/
[15] Слежение за объектом в реальном времени с дрона с использованием Python и OpenCV: http://blog.christianperone.com/?p=2768
[16] Eigenfaces: создание призрачных образов из набора лиц: http://mikedusenberry.com/on-eigenfaces/
[17] Статистический взгляд Deep Learning (часть 1): рекурсивные обобщенные линейные модели (Recursive GLMs): http://blog.shakirm.com/2015/01/a-statistical-view-of-deep-learning-i-recursive-glms/
[18] Пример реализации комитета алгоритмов с помощью scikit-learn: http://sebastianraschka.com/Articles/2014_ensemble_classifier.html
[19] Пример предсказательной модели в R: кластеризация по сходству тэгов: http://blog.revolutionanalytics.com/2014/01/predictive-models-in-r-clustered-by-tag-similarity-1.html
[20] spaCy: современная библиотека для обработки естественного языка: http://honnibal.github.io/spaCy/
[21] Параллельное программирование с использованием GPU и R: http://blog.revolutionanalytics.com/2015/01/parallel-programming-with-gpus-and-r.html
[22] Введение в потоковый метод k-средних в Apache Spark 1.2: http://databricks.com/blog/2015/01/28/introducing-streaming-k-means-in-spark-1-2.html
[23] Краткое введение в линейную регрессию: https://dataaspirant.wordpress.com/2014/10/02/linear-regression/
[24] Использование Apache Hadoop для предсказания задержек авиарейсов (часть 3): http://hortonworks.com/blog/data-science-hadoop-predicting-airline-delays-part-3/
[25] Deep learning для обработки естественного языка: подборка недавних публикаций: http://memkite.com/blog/2015/01/29/deep-learning-for-natural-language-processing/
[26] Что такое обучение с учителем (Supervised learning) и обучение без учителя (Unsupervised learning): https://dataaspirant.wordpress.com/2014/09/19/supervised-and-unsupervised-learning/
[27] Интервью с победителями соренования «American Epilepsy Society Seizure Prediction Challenge» на Kaggle: http://blog.kaggle.com/2015/01/26/american-epilepsy-society-seizure-prediction-challenge/
[28] Обучаемый персептрон в соревнованиях по машинному обучению: http://mlwave.com/online-learning-perceptron/
[29] Начало курса «Линейная алгебра» на Coursera: http://igorsubbotin.blogspot.ru/2015/01/linear-algebra-on-coursera-from-hse.html
[30] DataQuest: онлайн-обучение машинному обучению: http://igorsubbotin.blogspot.ru/2015/01/data-quest-for-learning-data-science.html
[31] Стартовал онлайн-курс «Linear Algebra — Foundations to Frontiers»: http://igorsubbotin.blogspot.ru/2015/01/linear-algebra-foundations-to-frontiers-jan28.html
[32] Coding the Matrix на Coursera: http://igorsubbotin.blogspot.ru/2015/02/coding-the-matrix-on-coursera-feb2.html
[33] Обзор книги: Getting started with data science in the cloud: http://radar.oreilly.com/2015/01/getting-started-with-data-science-in-the-cloud.html
[34] Книга: Beginning Data Science with R: https://play.google.com/store/books/details/Manas_A_Pathak_Beginning_Data_Science_with_R?id=RWHEBQAAQBAJ
[35] Введение в Deep Learning от Nando de Freitas: http://igorsubbotin.blogspot.ru/2015/01/intro-to-deep-learning-from-nando-de-freitas.html
[36] Talking Machines: Эпизод 3: Интервью с Kevin Murphy: http://www.thetalkingmachines.com/blog/2015/1/29/common-sense-problems-and-learning-about-machine-learning
[37] Введение в Microsoft Azure Machine Learning: http://www.microsoftvirtualacademy.com/training-courses/getting-started-with-microsoft-azure-machine-learning
[38] Интересные цифры из опроса по Apache Spark: https://gigaom.com/2015/01/27/a-few-interesting-numbers-about-apache-spark/
[39] Лучшие материалы за неделю от KDnuggets.com (18 — 24 января): http://www.kdnuggets.com/2015/01/top-news-week-jan-18.html
[40] Новости Data Science от MyDataMine.com (29 января): http://mydatamine.com/2015/01/data-science-news-29-jan-2015/
[41] Новости Big Data от MyDataMine.com (26 января): http://mydatamine.com/2015/01/big-data-news-26-jan-2015/
[42] Еженедельный дайджест от DataScienceCentral (5 февраля): http://www.datasciencecentral.com/profiles/blogs/weekly-digest-february-5
[43] Лучшие ресурсы за неделю от Data Elixir (№20): http://dataelixir.com/issues/20
[44] Еженедельный сборник лучших материалов от R1Soft (30 января): http://www.r1soft.com/blog/this-week-in-data-january-30-2015
[45] Наиболее интересные материалы по High Scalability (30 января): http://highscalability.com/blog/2015/1/30/stuff-the-internet-says-on-scalability-for-january-30th-2015.html
[46] Обзор наиболее интересных материалов по анализу данных и машинному обучению №32 (19 — 25 января 2015): http://habrahabr.ru/post/248793/
[47] Источник: http://habrahabr.ru/post/249415/
Нажмите здесь для печати.