Обзор наиболее интересных материалов по анализу данных и машинному обучению №7 (28 июля — 4 августа 2014)

Представляю вашему вниманию очередной выпуск обзора наиболее интересных материалов, посвященных теме анализа данных и машинного обучения. В данном обзоре есть несколько статей, которые будут интересны новичкам. Есть несколько любопытных видеолекций по тематике Data Science. В текущем выпуске как обычно много статей по машинному обучению и анализу данных с примерами кода на языка программирования R и Python. В обзоре также могут заинтересовать несколько обзоров книг по теме анализа данных.

Материалы по анализу данных и машинному обучению

•    Введение в Гауссовские процессы ^[1]
  Интересная вводная статья, посвященная Гауссовским процессам, с примерами на Python, которые часто используются при использовании алгоритмов машинного обучения в непараметрической регрессии и классификации.
•   Библиотека HighlightHTML для R ^[2]
  Краткая статья о полезной библиотеке HighlightHTML для языка программирования R и для работы с html-разметкой документов R Markdown.
•     Data Science с использованием языка Python (часть 1) ^[3]
  Первая часть из серии статей, посвященных теме Data Science с использованием языка программирования Python. Первая часть содержит видео с конференции «Pycon 2014», а также посвящена вопросу сбора данных для анализа с помощью Python.
•   Создание и публикация интерактивных графиков ggplot2 ^[4]
  Интересная статья о возможности создания и публикации интерактивных графиков, созданных при помощи пакета ggplot2 для языка программирования R, в онлайн с помощью сервиса plot.ly. В данной статье приведено несколько практических примеров использования данного сервиса.
•  Соревнование по анализу данных от Yelp ^[5]
  Популярный портал Yelp объявил о старте нового соревнования по анализу данных на основе данных, которые предоставит Yelp. Данное соревнование продлится до 31 декабря 2014 года.
•   Обзор книги «Data Classification: Algorithms and Applications» ^[6]
  Краткий обзор новой книги по классификации данных «Data Classification: Algorithms and Applications». Обзор представлен популярным ресурсом KDnuggets.
•    Книга «Нейронные сети и Deep Learning» ^[7]
  Любопытная книга по популярному направлению машинного обучения. Книга еще не закончена, но около половины глав данной очень любопытной книги уже написаны и доступны читателям.
•  Еженедельный дайджест от DataScienceCentral ^[8]
  Регулярный еженедельный дайджест статей по анализу данных от портала DataScienceCentral.
•   Видеолекции Xavier Amatriain по рекомендательным системам ^[9]
  Xavier Amatriain из Netflix представляют еще одну серию лекций с летней школы машинного обучения Machine Learning Summer School (MLSS ’14) в Питтсбурге. Данная серия видеолекций посвящена рекомендательным системам.
•   Применение машинного обучения для трейдинга (часть 3) ^[10]
  Продолжение темы использования машинного обучения для трейдинга. В этот раз рассматривается построение торговой стратегии на основе дерева принятия решений.
•  Список решений для соревнований Kaggle ^[11]
  Отличный список решений для некоторых прошедших на Kaggle соревнований по машинному обучению.
•   Использование Cassandra в системах реального времени ^[12]
  Любопытная статья по теме Data Engineering о том, как можно использовать популярное NoSQL-решение Apache Cassandra для работы с системами реального времени.
•   Машинное обучение и анализ текста ^[13]
  Небольшая статья по теме использования машинного обучения при анализе текста.
•   Рекомендации повсюду ^[14]
  Небольшая и достаточно простая статья от Microsoft Technet Machine Learning Blog, посвященная принципу работы рекомендательных систем.
•    Хотите выучить SQL? Есть отличный стартовый курс для новичков ^[15]
  Популярный блог по анализу данных Data Science 101 опубликовали новость, которая будет интересна тем кто хочет освоить SQL, который совершенно очевидно не теряет свою значимость и актуальность в период роста популярности различных NoSQL-решений.
•    Введение по анализу данных на Python ^[16]
  Отличная статья по краткому введению в анализ данных с использованием языка программирования Python.
•  Список ресурсов по Data Science ^[17]
  Интересный список ресурсов по тематике Data Science, опубликованный на портале DataScienceCentral.
•  Дайджест лучших ресурсов от DataScienceCentral (28 июля) ^[18]
  Неплохой список свежих интересных статей и ресурсов от DataScienceCentral.
•  Пример использования машинного обучения в Microsoft ^[19]
  Небольшой пример использования машинного обучения, а именно Boosted Decision Trees (BDTs), в Microsoft Bing.
• 100 миллионов изображений с Flickr от Yahoo Labs ^[20]
  Yahoo Labs сообщили, что опубликовали большой набор данных из 100 миллионов изображений и видеоклипов под лицензией Creative Commons для различных исследований.
•   Обзор книги «Probabilistic Approaches to Recommendations» ^[21]
  Краткий обзор новой книги по анализу данных «Probabilistic Approaches to Recommendations».
•  Что такое машинное обучение? ^[22]
  Небольшая статья от John Platt, который работает в Microsoft 17 лет и активно использует машинное обучение в своей повседневной работе. В данной статье он рассказывает как применяется машинное обучение при решении различных задач в проектах Microsoft.
•   Нелинейная регрессия с деревьями принятия решений ^[23]
  Очередная статья от автора Mahine Learning Mastery. На этот раз речь пойдет о нелинейной регрессии с деревьями принятия решений с примерами кода на языка программирования Python.
•  Список нововведений в SAS/IML 12.3 ^[24]
  Список новинок в SAS/IML 12.3.
•  20 лет машинного обучения в Microsoft ^[25]
  Небольшая статья о том, что технологии машинного обучения применяются в Microsoft уже достаточно давно и накоплен богатый опыт в данном направлении. Конечно же автор упоминает про Microsoft Azure Machine Learning — новый облачный сервис от Microsoft для использования при решении задач, для решения которых требуется применение техник машинного обучения.
•    Запросы в режиме реального времени к Cassandra при помощи Spark и Shark ^[26]
  Even Chan — разработчик из компании Ooyla, находящейся в Кремниевой долине, рассказывает об опыте применения фреймворков Spark и Shark поверх Cassandra для исполнения запросов в режиме реального времени.

Предыдущий выпуск: Обзор наиболее интересных материалов по анализу данных и машинному обучению №6 (21 — 28 июля 2014) ^[27]

Автор: moat

Источник ^[28]