Обзор наиболее интересных материалов по анализу данных и машинному обучению №36 (16 — 22 февраля 2015)

Обзор наиболее интересных материалов по анализу данных и машинному обучению №36 (16 — 22 февраля 2015) - 1
Представляю вашему вниманию очередной выпуск обзора наиболее интересных материалов, посвященных теме анализа данных и машинного обучения.

Общее

Седьмая ежегодная Летняя школа Microsoft Research. На этот раз про машинное обучение и интеллект ^[1]
IBM Watson for Oncology: помощь когнитивной системы в борьбе с раком ^[2]
Искусственный интеллект который может понимать, о чём видео ^[3]
Русскоязычные ресурсы по статистике, машинному обучению, R ^[4]
Инфографика: история Data Science ^[5]
Microsoft укрепляет позиции Python и Linux в своих новых инструментах в области Big Data ^[6]
Начало пути и развитие в области машинного обучения ^[7] — хорошая мотивирующая статья от автора блога MachineLearningMastery.
На текущий момент Apache Spark выглядит как будущее Big Data ^[8]
Deeplearning4j: Библиотека Deep Learning для Java ^[9]
Data Science: список активных блогов ^[10]
Microsoft анонсировал общедоступность платформы Azure Machine Learning ^[11]
Как Pinterest борется со спамом ^[12]
Google сделал доступной библиотеку для работы с MapReduce с помощью C/C++ ^[13]
Pintereset: Аналитика в реальном времени ^[14] — инженеры компании Pinterest делают обзор своей архитектуры систем аналитики в реальном времени.
Чем заняться во время прогонов по обучению модели ^[15] — несколько интересных идей от автора блога MachineLearningMastery о том, чем заняться во время пауз, которые могут возникнуть во время запуска процессов по обучению модели в задачах машинного обучения.
Channel 9 разработал API рекомендаций для Azure ML ^[16]

Теория и алгоритмы машинного обучения, примеры кода

Машинное обучение — 1. Корреляция и регрессия. Пример: конверсия посетителей сайта
Введение в Apache Spark ^[17]
Обзор алгоритмов аудиоаналитики ^[18]
Бильярдный бот: история создания ^[19]
Нейронные сети в Azure ML — введение в Net# ^[20]
Введение в байесовские сети с использованием R ^[21]
Основы распараллеливания при использовании языка программирования R ^[22]
Получение данных с датчиков Arduino с помощью языка программирования R ^[23]
Kayak: библиотека для работы с глубинными нейронными сетями ^[24]
Пример работы иерархической кластеризации ^[25] — визуализированный пример работы иерархической кластеризации, созданный с использованием языка программирования R и библиотеки визуализации Shiny.
Серия уроков по машинному обучению и обработке естественного языка. Урок 3: Теорема Байеса ^[26]

Соревнования по машинному обучению

Онлайн-курсы, обучающие материалы и литература

Видеоматериалы, подкасты

Apache Spark — SDK для всех Big Data платформ ^[34] — интересный доклад, посвященный Apache Spark. В данном выступлении Pat McDonough рассказывает о развитии Apache Spark и возможности использования данного продукта в области обработки и анализа данных.
DataFrame в Apache Spark для масштабирования задач Data Science ^[35] — видео с недавнего митапа в дополнение новости о том, что в Apache Spark 1.3 появится новая возможность использования DataFrame. Собственно в данном видео Reynold Xin и расскажет о данной новой функциональности в Apache Spark.
Введение в Deep Learning с использованием Python ^[36]

Data engineering

Microsoft делает Apache Storm общедоступным в своей облачной платформе Azure ^[37]
Недавние улучшения производительности Apache Spark ^[38] — Reynold Xin рассказывает о последних значительных улучшениях производительности Apache Spark.
Анонс DataFrame в Apache Spark ^[39] — в Apache Spark версии 1.3 появится возможность использования DataFrame, данная статья расскажет о деталях реализации и использования DataFrame в Apache Spark.
Расширение возможностей аналитики в MemSQL с помощью Apache Spark ^[40]

Обзоры

Предыдущий выпуск: Обзор наиболее интересных материалов по анализу данных и машинному обучению №35 (9 — 15 февраля 2015) ^[50]

Автор: moat

Источник ^[51]

Сайт-источник PVSM.RU: https://www.pvsm.ru

Путь до страницы источника: https://www.pvsm.ru/data-mining/83661

Ссылки в тексте:

[1] Седьмая ежегодная Летняя школа Microsoft Research. На этот раз про машинное обучение и интеллект: http://habrahabr.ru/company/microsoft/blog/250669/

[2] IBM Watson for Oncology: помощь когнитивной системы в борьбе с раком: http://habrahabr.ru/company/ibm/blog/250903/

[3] Искусственный интеллект который может понимать, о чём видео: http://geektimes.ru/company/generateclub/blog/245836/

[4] Русскоязычные ресурсы по статистике, машинному обучению, R: http://r-analytics.blogspot.ru/2015/02/r.html#.VOjqvy4_xoM

[5] Инфографика: история Data Science: http://www.kdnuggets.com/2015/02/history-data-science-infographic.html

[6] Microsoft укрепляет позиции Python и Linux в своих новых инструментах в области Big Data: https://gigaom.com/2015/02/18/microsoft-embraces-python-linux-in-new-big-data-tools/

[7] Начало пути и развитие в области машинного обучения: http://machinelearningmastery.com/get-started-make-progress-machine-learning/

[8] На текущий момент Apache Spark выглядит как будущее Big Data: https://gigaom.com/2015/02/20/for-now-spark-looks-like-the-future-of-big-data/

[9] Deeplearning4j: Библиотека Deep Learning для Java: http://deeplearning4j.org/

[10] Data Science: список активных блогов: http://www.kdnuggets.com/2015/02/active-data-mining-data-science-blogs.html

[11] Microsoft анонсировал общедоступность платформы Azure Machine Learning: http://blogs.technet.com/b/machinelearning/archive/2015/02/18/announcing-the-general-availability-of-azure-machine-learning.aspx

[12] Как Pinterest борется со спамом: http://engineering.pinterest.com/post/111577153239/fighting-spam-at-pinterest

[13] Google сделал доступной библиотеку для работы с MapReduce с помощью C/C++: https://gigaom.com/2015/02/18/google-open-sources-a-mapreduce-framework-for-c/

[14] Pintereset: Аналитика в реальном времени: http://engineering.pinterest.com/post/111380432054/real-time-analytics-at-pinterest

[15] Чем заняться во время прогонов по обучению модели: http://machinelearningmastery.com/machine-learning-model-running/

[16] Channel 9 разработал API рекомендаций для Azure ML: http://channel9.msdn.com/Blogs/C9Team/Channel-9-Implements-The-Azure-Machine-Learning-Recommendations-API

[17] Введение в Apache Spark: http://habrahabr.ru/post/250811/

[18] Обзор алгоритмов аудиоаналитики: http://habrahabr.ru/company/synesis/blog/250935/

[19] Бильярдный бот: история создания: http://habrahabr.ru/post/251101/

[20] Нейронные сети в Azure ML — введение в Net#: http://blogs.technet.com/b/machinelearning/archive/2015/02/16/neural-nets-in-azure-ml-introduction-to-net.aspx

[21] Введение в байесовские сети с использованием R: http://hameddaily.blogspot.ru/2015/02/bayesian-network-in-r-introduction.html

[22] Основы распараллеливания при использовании языка программирования R: http://gforge.se/2015/02/how-to-go-parallel-in-r-basics-tips/

[23] Получение данных с датчиков Arduino с помощью языка программирования R: http://www.magesblog.com/2015/02/reading-arduino-data-directly-into-r.html

[24] Kayak: библиотека для работы с глубинными нейронными сетями: https://github.com/HIPS/Kayak

[25] Пример работы иерархической кластеризации: https://joyofdata.shinyapps.io/hclust-shiny/

[26] Серия уроков по машинному обучению и обработке естественного языка. Урок 3: Теорема Байеса: http://www.thoughtly.co/blog/bayes-theorem/

[27] Соревнование по машинному обучению: Microsoft Malware Classification Challenge (BIG 2015): https://www.kaggle.com/c/malware-classification

[28] Соревнование по машинному обучению: March Machine Learning Mania 2015: https://www.kaggle.com/c/march-machine-learning-mania-2015/data

[29] Введение в курс «Анализ изображений и видео». Лекции от Яндекса: http://habrahabr.ru/company/yandex/blog/251161/

[30] Онлайн-курс: D003x.1: Applications of Linear Algebra Part 1: https://www.edx.org/course/applications-linear-algebra-part-1-davidsonx-d003x-1

[31] Онлайн-курс «Model Building and Validation — Advanced Techniques for Analyzing Data»: https://www.udacity.com/course/ud919

[32] Обзор книги: Data Mining for Managers: http://www.dataminingblog.com/data-mining-book-review-data-mining-for-managers/

[33] Интервью с автором книги «R Machine Learning Essentials»: http://www.milanor.net/blog/?p=1735

[34] Apache Spark — SDK для всех Big Data платформ: http://igorsubbotin.blogspot.ru/2015/02/apache-spark-sdk-for-all-big-data-platforms.html

[35] DataFrame в Apache Spark для масштабирования задач Data Science: http://igorsubbotin.blogspot.ru/2015/02/apache-spark-dataframe.html

[36] Введение в Deep Learning с использованием Python: https://www.youtube.com/watch?v=S75EdAcXHKk

[37] Microsoft делает Apache Storm общедоступным в своей облачной платформе Azure: http://azure.microsoft.com/blog/2015/02/20/microsoft-makes-apache-storm-generally-available-and-improves-productivity-for-real-time-analytics-on-big-data/

[38] Недавние улучшения производительности Apache Spark: http://radar.oreilly.com/2015/02/recent-performance-improvements-in-apache-spark.html

[39] Анонс DataFrame в Apache Spark: https://databricks.com/blog/2015/02/17/introducing-dataframes-in-spark-for-large-scale-data-science.html

[40] Расширение возможностей аналитики в MemSQL с помощью Apache Spark: https://databricks.com/blog/2015/02/19/extending-memsql-analytics-with-spark.html

[41] Интересное из мира R (9-15 февраля 2015 г.): http://r-analytics.blogspot.ru/2015/02/r-9-15-2015.html#.VOiB9S4_xoM

[42] Лучшие материалы за неделю от KDnuggets.com (8 — 14 февраля): http://www.kdnuggets.com/2015/02/top-news-week-feb-8.html

[43] Новости Data Science от MyDataMine.com (21 февраля): http://mydatamine.com/2015/02/data-science-news-21-feb-2015/

[44] Новости Big Data от MyDataMine.com (18 февраля): http://mydatamine.com/2015/02/big-data-news-18-feb-2015/

[45] Еженедельный дайджест от DataScienceCentral (23 февраля): http://www.datasciencecentral.com/profiles/blogs/weekly-digest-february-23

[46] Еженедельный дайджест от DataScienceCentral (16 февраля): http://www.datasciencecentral.com/profiles/blogs/weekly-digest-february-16

[47] Лучшие ресурсы за неделю от Data Elixir (№23): http://dataelixir.com/issues/23

[48] Еженедельный сборник лучших материалов от R1Soft (20 февраля): http://www.r1soft.com/blog/this-week-in-data-february-20-2015

[49] Наиболее интересные материалы по High Scalability (20 февраля): http://highscalability.com/blog/2015/2/20/stuff-the-internet-says-on-scalability-for-february-20th-201.html

[50] Обзор наиболее интересных материалов по анализу данных и машинному обучению №35 (9 — 15 февраля 2015): http://habrahabr.ru/post/250613/

[51] Источник: http://habrahabr.ru/post/251191/

Нажмите здесь для печати.