Это самые простые методы увеличения данных в обработке естественного языка, которые вы можете себе представить - и они работают.
Простые методы редактирования текста могут значительно повысить производительность для небольших наборов данных.

#статьядня

https://clc.am/K1L2Rw

Русский тезаурус, который действительно работает
Он знает так много своеобразных / старомодных и дерзких синонимов нецензурных слов!

#полезностьдня

 https://prglb.ru/11qlk

​​ Фреймворк глубокого обучения в 2019: выбираем из 10 лучших
Как выбрать фреймворк глубокого обучения? Сравниваем 10 популярных сред тренировки нейросетей. Преимущества, недостатки, подводные камни.

#статьядня

https://prglb.ru/eoxc

Интерактивные элементы управления в Jupyter Notebooks
Как использовать интерактивные виджеты IPython для улучшения исследования и анализа данных

#статьядня

https://prglb.ru/cld1

Классификация настроений с обработкой естественного языка на LSTM
В данной статье автор будет использовать Рекуррентные Нейронные Сети, и в частности LSTM, для проведения анализа настроений в Keras.

#полезностьдня

 https://prglb.ru/3xokl

​​ Построение клиентской маршрутизации / семантического поиска на Profi.ru
Краткое резюме о том, что автору и его команде удалось сделать примерно за 2 месяца в отделе Profi.ru DS.

#статьядня

https://prglb.ru/1yrr3

Несколько полезных вещей о машинном обучении
Автор: Pedro Domingos
Данный гайд содержит много полезной информации, но стоит выделить две основные идеи:
- одних данных недостаточно,
- большой объем данных превосходит более умный алгоритм.

#статьядня

https://prglb.ru/54mi2

​​R Projects For Dummies
Автор: Joseph Schmuller
R – не только язык программирования, используемый для работы с графикой и статистической обработки данных, но и бесплатная среда разработки с открытым кодом. Автор поможет вам создать несколько собственных проектов применяя графику R, а также интерактивные инструменты и инструменты машинного обучения.

#книгадня

Скачать книгу:
https://t.iss.one/progbook/1427

Пара задач HeadHunter на Data Science Week
Организаторы Data Science Week 2015 решили провести двухдневный дататон (datathon) – соревнование, где команды программистов и аналитиков решали бизнес-задачи из области Data Science. На дататоне было три задачи, две из которых подготовила команда HeadHunter.
Можете поробовать решить самостоятельно! Но, если что, в статье есть решение)

#полезностьдня

https://prglb.ru/43ghw

Применение основ ML на примерах с пояснениями в питоне
Материалы были разработаны для курса General Assembly's Data Science в Вашингтоне.
Лектор: Sinan Ozdemir и Kevin Markham

#статьядня

https://prglb.ru/4a6ur

Эта шпаргалка содержит множество классических уравнений и диаграмм, которые помогут вам быстро восстановить знания и вспомнить основные идеи по машинному обучению.
Шпаргалка также отлично подойдет тем, кто готовится к собеседованию.

#полезностьдня

https://prglb.ru/3tot6

​​Python и машинное обучение
Автор: Себастьян Рашка

Книга идеально подходит для тех, кто хочет погрузиться в мир прогнозной аналитики и машинного обучения. Охватывается широкий круг мощных библиотек Python, в том числе scikit-learn, Theano и Keras.

#книгадня

Скачать книгу на русском по ссылке: https://t.iss.one/progbook/55

​​Советы от Гугла по построению систем ML
Этот документ призван помочь тем, кто обладает базовыми знаниями в области машинного обучения, и хочет получить
преимущества передового опыта от Google.

#книгадня #статьядня

Файл прикреплен ниже!

Обучайте, оценивайте, повторяйте: создание системы обнаружения мошенничества с кредитными картами
В этом выступлении рассматриваются три основные проблемы ML, с которыми столкнулся (и решил!) Stripe при создании своей системы обнаружения мошенничества с кредитными картами: выбор меток для мошенничества, которые распространяются на всех продавцов, устранение дисбаланса классов (допустимые обвинения значительно превышают число мошеннических) и проведение контрфактивной оценки ( для измерения производительности и получения данных обучения, когда система ML сама меняет результаты).

#видеодня

Speaker: Лила Сентил Натан

https://prglb.ru/5dgfl

​​Как изучать Data Science в 2019: ответы на частые вопросы
Мысль о том, чтобы изучать Data Science, не даёт вам покоя? Возможно, не зря. В этой статье мы ответили на ряд популярных вопросов новичков.

#статьядня

https://prglb.ru/5pet6

Любой сервис, на котором вообще есть поиск, рано или поздно приходит к потребности научиться исправлять ошибки в пользовательских запросах. Пользователи постоянно опечатываются и ошибаются, и качество поиска от этого неизбежно страдает — а с ним и пользовательский опыт.

При этом каждый сервис обладает своей спецификой, своим лексиконом, которым должен уметь оперировать исправитель опечаток.

#статьядня

https://prglb.ru/4afrh

Анализ изображений и видео (часть 2)
Лекция 1. Поиск изображений по содержанию
Лекция 2. Детектирование объектов
Лекция 3. Детектирование объектов 2
Лекция 4. Цифровой фотомонтаж
Лекция 5. Сегментация изображений
Лекция 6. Генеративные сети
Лекция 7. Генеративные сети 2
Лекция 8. Трекинг объектов
Лекция 9. Трекинг объектов часть 2

Преподаватель курса: Алексей Сергеевич Артамонов

А вот ссылочка на первую часть:
https://prglb.ru/49wyy

#youtubeдня

https://prglb.ru/2ivrt

​​The Data Science Handbook
Автор: Field Cady

Книга направлена на более опытных специалистов и рассматривает классические алгоритмы машинного обучения, от их математических основ до реальных приложений, инструменты визуализации, а также классическую статистику, помогающую читателю критически подумать об интерпретации данных.

В книге рассматриваются следующие темы:
✔️ дорожная карта разработчика в области data science;
✔️ языки программирования, необходимые для data science (scala, python, etc);
✔️ визуализация и простая метрика;
✔️ машинное обучение;
✔️ техническая документация и многое другое.

Скачать книгу:
 https://t.iss.one/progbook/1574