Запостить эту статью на Хабр?

1 Да – 63
👍👍👍👍👍👍👍 90%

2 Нет – 6
👍 9%

3 В личку (свое или детали) – 1
▫️ 1%

👥 70 people voted so far.

Акар опубликовал цифры по рынку рекламы за 1 квартал: ТВ-реклама - плюс 10%. Хотя до этого крупные телеканалы мне жаловались что у них плохой первый квартал. Интернет - плюс 23%. Очень даже неплохо. А печатная пресса продолжает лететь как фанера - минус 18%. Кажется, ещё немного и от печатной прессы останется пшик.

Серия адекватных статей про блокчейн и его ограничения простым и понятным языком
- https://habrahabr.ru/post/327836/

Давно не читал рассылки про архитектуру моделей от Kaggle.

Вот то, что показалось реально интересным (не стекинг 15 моделей, а реально умные мысли или подходы):
- Предсказания в спорте - https://goo.gl/JZn5aq.
-- Про важность мотивации - https://goo.gl/4H3t2g
-- Оказывается можно использовать такие модели - https://goo.gl/s1VaaN
-- Как-то знакомый по фану давал мне доступ к своей большой базе по спортивным предсказаниям - но используя логистические регрессии я не смог найти модель с R^2 больше 1% и вообще мне показалось, что спорт это бизнес, который мало предсказуем

- Полезная копи-паста на питоне
-- Простые визуализации https://goo.gl/2yZH5J
-- Разные линейные регресии https://goo.gl/LaaXZX

- Про соревнования про листья - в топовом нейросети народ не использотвал (а странно, вероятно видеокарты нет) - https://goo.gl/FtjF70
-- Ссылка на гайд по open-cv по поиску контуров - может пригодится для гребешков кур (!) - https://goo.gl/p2hhBH
-- Архитектура через PCA и инжиниринг фич - https://goo.gl/WoIu5p
-- Тут есть копипаста по визуализации внутренних слоев нейросети (!!!) - https://goo.gl/pzPiIE
(что забавно этот код удалили из документации Keras почему-то)

#data_science

15% писем через Google Inbox (автоответы) - сочиняются нейросетями Гугла.
Nuff said.

Лекция 0 или затравка от fast.ai с иллюстрациями того, что могу нейросети
- https://www.youtube.com/watch?v=ACU-T9L4_lI

#data_science

Случайный факт - solver (поиск решения) в Excel использует метод градиентного спуска (gradient descent).

Сравнение и пояснение методов градиентного спуска от fast.ai:
- Видео - https://youtu.be/V2h3IOBDvrA?t=688
- Файл в экселе с пояснениями - https://goo.gl/XdlGbN
- Статья в блоге с подобными и более подробными пояснениями - https://goo.gl/twWZyv

#data_science

Spark-in.me - рассылка 1
https://tinyletter.com/snakers41/letters/spark-in-me-1

Дайджест за неделю.

Instacart, онлайн сервис заказа и доставки еды на дом опубликовал датасет из 3 миллионов заказов за 2017 год . Подробнее в блоге Jeremy Stanley [1]

В наборе данных информация о времени заказа, его идентификатор и купленный продукт плюс дополнительная информация. Структуру данных можно посмотреть тут [2], а сами данные выгрузить тут [3].

В очередной раз привожу это как пример того что открытые данные публикует не только государство. Для исследовательских целей их предоставляют многие крупные интернет компании заинтересованные в том чтобы наиболее талантливые разработчики использовали их данные.

Ссылки:
[1] https://tech.instacart.com/3-million-instacart-orders-open-sourced-d40d29ead6f2
[2] https://gist.github.com/jeremystan/c3b39d947d9b88b3ccff3147dbcf6c6b
[3] https://tech.instacart.com/3-million-instacart-orders-open-sourced-d40d29ead6f2

#opendata #instacart

Свежие данные по Facebook из отчета за Q1 2017:

— DAUs (активных пользователей в день), март: 1,28 млрд (+18% за год)
— MAUs (активных пользователей в месяц), март: 1,94 млрд (+17% за год)
— Рост прибыли по сравнению с Q1 2016: 66%
— Доля мобильной рекламы в выручке — 85%

Отчет здесь: https://investor.fb.com/investor-news/press-release-details/2017/Facebook-Reports-First-Quarter-2017-Results/default.aspx

P.S. WhatsApp — 1,2 млрд. MAUs, Messenger — 1,2 млрд. Такие дела.

Статья ушла на хабр
https://habrahabr.ru/post/328138/

Вдруг кому пригодится:
Cheatsheet Matplotlib: https://drive.google.com/open?id=0ByIrJAE4KMTtT1FqTzdOekg2RUU

Cheatsheet Pandas: https://drive.google.com/open?id=0ByIrJAE4KMTtWXd4ZXh6aFIwZlE

Cheatsheet Python: https://drive.google.com/open?id=0ByIrJAE4KMTtWGZmQXBPai1NQWM

Отличные материалы, чтобы быстро ознакомиться с популярным функционалом.

отлично, я убила все терминалы в курятник, процесс работает все равно, ура!

это уже из бекграунда пришло

Тут простыми словами поясняется почему нейросети тяжело тренировать, если использовать 'обычные' методы градиентного спуска (без модификаций для ускорения их тренировки)
- https://neuralnetworksanddeeplearning.com/chap5.html

А тут и тут пояснения почему другие методы работают быстрее
-- xls - https://goo.gl/XdlGbN
-- Видео - https://youtu.be/V2h3IOBDvrA?t=688

Подписчик нашел в интернете cheat-sheet'ы по основным библиотекам для работы с данными. Первый из них - про pandas.
- https://goo.gl/tgnXST

Как правило у таких библиотек не очень подробная документация с малым количеством примеров + очень много неструктурированных вопросов на stack overflow. Если для вас это новый инструмент - то это сразу боль.

Забавно увидеть знакомые ответы на такие тематики, которые приходилось "выковыривать" из документации / ответов / курсов:
- Базовое описание модели данных
- Загрузка, выгрузка, преобразования из листов и словарей
- Описательные методы сгруппированные в одном месте
- Бинарные маски, выборки данных, работа с колонками и описательными метриками для колонок
- Сводные таблицы и аналоги join-ов, union
- Работа с датами (каждый инструмент имеет свой геморрой, что немало бесит)
- Работа со строками (не сразу можно догадаться, что надо использовать .str плюс apply)

В общем, если вы хотите сделать что-то очень тупое, но не знаете как, то сначала заходите в pdf, потом в документацию, потом на Stack Overflow =)

#data_science

Добавил на сайт RSS
- прямая ссылка - https://spark-in.me/main.rss
- как найти на самом сайте https://prntscr.com/f5x40t