GitHub和Reddit都是比較有趣的平臺，在這里，我不僅學(xué)習(xí)了數(shù)據(jù)科學(xué)的一些***應(yīng)用，而且還了解數(shù)據(jù)科學(xué)家們是如何編程的。

一直以來，GitHub都是開發(fā)人員之間進行協(xié)作的***平臺，并且，我們也看到了數(shù)據(jù)科學(xué)和機器學(xué)習(xí)社區(qū)以同樣的熱情來改善它。

而Reddit仍然是一個很好的數(shù)據(jù)科學(xué)領(lǐng)域知識和見解的來源。人們在這個平臺上共享代碼、數(shù)據(jù)科學(xué)新聞、尋求幫助和意見、發(fā)表研究論文等。

這篇文章總結(jié)了Reddit平臺上5月份的一些關(guān)于數(shù)據(jù)科學(xué)的討論，其中包括數(shù)據(jù)科學(xué)家在未來3年的作用以及有史以來***的機器學(xué)習(xí)論文集。在GitHub社區(qū)中，英特爾開放了其NLP架構(gòu)庫，微軟推出ML.NET以支持Dot Net開發(fā)者進行機器學(xué)習(xí)等。

讓我們來看看GitHub上的***存儲庫以及Reddit上個月發(fā)生的有趣討論吧。下面是之前四個月較為流行的GitHub存儲庫和***Reddit討論(從四月起)：

ML.NET

https://github.com/dotnet/machinelearning?spm=a2c4e.11153940.blogcont603064.13.33f65291LqhERf

ML.NET是一個開源機器學(xué)習(xí)框架。不需要任何構(gòu)建機器學(xué)習(xí)模型的經(jīng)驗，機器學(xué)習(xí)和.NET開發(fā)人員就可以輕松使用.NET開發(fā)自己的模型。這是預(yù)發(fā)行版本，包含了基本的分類和回歸算法。

ML.NET最初由Microsoft創(chuàng)建的，并且已用于各種產(chǎn)品，如Windows，Excel，Access，Bing等。此版本還捆綁了用于各種模型訓(xùn)練任務(wù)的.NET API。

NLP Architect

https://github.com/NervanaSystems/nlp-architect?spm=a2c4e.11153940.blogcont603064.14.33f65291LqhERf

NLP Architect是一個開源Python庫，由英特爾實驗室的研究人員開發(fā)和開源，旨在幫助數(shù)據(jù)科學(xué)家夠探索自然語言處理(NLP)和自然語言理解(NLU)領(lǐng)域***進的深度學(xué)習(xí)技術(shù)。

這個庫中我最喜歡的組件之一就是可視化組件，可視化組件很整潔的顯示了模型的注釋。更多NLP Architect的信息請點擊https://www.analyticsvidhya.com/blog/2018/05/nlp-architect-an-awesome-open-source-nlp-python-library-from-intel-ai-lab-with-github-link/?spm=a2c4e.11153940.blogcont603064.15.33f65291LqhERf。

Amazon Scraper

https://github.com/tducret/amazon-scraper-python?spm=a2c4e.11153940.blogcont603064.16.33f65291LqhERf

Python包可以讓開發(fā)人員在亞馬遜上搜索和提取產(chǎn)品信息。你需要分析哪些產(chǎn)品，只需使用該包即可，而不再需要編碼來確定。只需輸入想要搜索的關(guān)鍵字和***產(chǎn)品數(shù)量(可選)，就可以輸出CSV格式，然后進行分析。

PIGO – Face Detection in Go

https://github.com/esimov/pigo?spm=a2c4e.11153940.blogcont603064.17.33f65291LqhERf

Pigo是基于《基于像素強度比較的對象檢測》論文、用Go語言開發(fā)的人臉檢測庫。Pigo庫的主要特點如下：

1. 處理速度快。
2. 在檢測前不需要做圖像預(yù)處理。
3. 不需要計算積分圖像，圖像金字塔，HOG金字塔或其他類似的數(shù)據(jù)結(jié)構(gòu)。

人臉檢測基于以二進制文件數(shù)據(jù)樹結(jié)構(gòu)編碼的像素強度比較

RL-Adventure-2: Policy Gradients

https://github.com/higgsfield/RL-Adventure-2?spm=a2c4e.11153940.blogcont603064.18.33f65291LqhERf

這是所有強化學(xué)習(xí)(RL)愛好者所喜歡的庫。深度學(xué)習(xí)推動了強化學(xué)習(xí)編寫了一個人工智能機器人以人類專家級技能來玩Atari游戲。 該存儲庫涵蓋了策略梯度算法的新擴展，這是目前解決強化學(xué)習(xí)問題***的默認(rèn)選擇之一。 這些擴展縮短了訓(xùn)練時間、優(yōu)化了強化學(xué)習(xí)的整體表現(xiàn)。

Reddit討論

實時手勢姿態(tài)估計

https://www.reddit.com/r/MachineLearning/comments/8n04hp/p_realtime_multihand_pose_estimation_demo/?spm=a2c4e.11153940.blogcont603064.19.33f65291OiQ7QC

這個視頻引起了數(shù)據(jù)科學(xué)家和機器學(xué)習(xí)發(fā)燒友的廣泛關(guān)注，我希望你能看完這個視頻，然后你就會很好地了解這項技術(shù)是如何實施的。

你會選擇哪篇研究論文來證明機器學(xué)習(xí)是***的?

https://www.reddit.com/r/MachineLearning/comments/8kbmyn/d_if_you_had_to_show_one_paper_to_someone_to_show/?spm=a2c4e.11153940.blogcont603064.20.33f65291OiQ7QC

如果你是一個機器學(xué)習(xí)菜鳥，又或者是正在尋找一些用來閱讀或參考的研究論文，這是一個很好的話題。這個話題中列舉了一些優(yōu)秀的機器學(xué)習(xí)研究論文，每個數(shù)據(jù)科學(xué)家都將從中受益匪淺。該討論包括從基本機器學(xué)習(xí)概念(如高斯模型)到高級概念(如神經(jīng)藝術(shù)風(fēng)格轉(zhuǎn)換)，使用簡單功能的增強級聯(lián)等快速對象檢測等論文。這是一個必讀話題。

目前，我們對泛化有什么了解? 對于泛化，我們接下來應(yīng)該提什么問題?

https://www.reddit.com/r/MachineLearning/comments/8mpxmm/d_what_do_we_currently_know_about_generalization/?spm=a2c4e.11153940.blogcont603064.21.33f65291OiQ7QC

深度學(xué)習(xí)中的泛化一直都是一個爭議不斷的話題。正如作者所說的那樣，我們?nèi)匀恍枰诓簧賵鼍爸信崿F(xiàn)泛化。這個話題圍繞目前泛化現(xiàn)狀進行了深入探討，以及它為什么在深度和強化學(xué)習(xí)中很難理解。這個話題帖子很長，如果你是這個領(lǐng)域的菜鳥，對于你來說可能會有點復(fù)雜。不過，我建議無論如何都要閱讀這個話題，因為這個話題中包含了一些經(jīng)驗豐富和知識淵博的數(shù)據(jù)科學(xué)家的看法。

醫(yī)療行業(yè)的機器學(xué)習(xí)狀況

https://www.reddit.com/r/MachineLearning/comments/8mqh2r/d_machine_learning_deployed_in_health_care_and/?spm=a2c4e.11153940.blogcont603064.22.33f65291OiQ7QC

該話題專門研究了醫(yī)療行業(yè)的機器學(xué)習(xí)現(xiàn)狀。醫(yī)療領(lǐng)域數(shù)據(jù)科學(xué)家分享了他們工作中的經(jīng)驗和觀點。想要查看任何生命科學(xué)領(lǐng)域機器學(xué)習(xí)和深度學(xué)習(xí)的任何信息，請參閱該話題!

數(shù)據(jù)科學(xué)家3年后潛在的職業(yè)發(fā)展方向

https://www.reddit.com/r/datascience/comments/8m0zev/what_are_the_potential_career_paths_for_data/?spm=a2c4e.11153940.blogcont603064.23.33f65291OiQ7QC

這是大多數(shù)人在進入該領(lǐng)域之前非常關(guān)心的一個問題。隨著自動化機器學(xué)習(xí)工具的迅速采用，公司在幾年內(nèi)會需要數(shù)據(jù)科學(xué)家嗎?本話題收集了數(shù)據(jù)科學(xué)中不同人員對未來幾年內(nèi)的職業(yè)發(fā)展方向的看法。想要尋求職業(yè)方向的指導(dǎo)，請查看這一話題!