DataScienceStudy

My Activity to study and do Data Science

То что я сейчас прохожу, читаю, прочитал, посмотрел, сделал и вообще мой личный списочек всего с этим связанного

Содержание

• Курсы и активности
  • Курсы, которые надо пройти
  • Stepic Additional
  • Курсы, что я прохожу
  • Курсы, что я уже прошел
  • Где я участвовал как слушатель или как участник или как организатор. Школы, конференции, семинары
• Чтение и писанина
  • Штуки, что надо прочитать
  • Штуки, что я прочитал
  • Штуки, что я написал, перевел
• Видео
  • Видео, что мне надо посмотреть
  • Видео, что я посмотрел
  • Подкасты, что я послушал
• Наука, работа и проекты
  • Научные статьи, что я прочитал
• My Local Not So Awesome List
  • Interested Links
  • Necessary and Useful Tools
  • Datasets

---

Курсы и активности

Курсы, которые надо пройти

• Deep Learning Google
• Machine Learning Crash Course with TensorFlow APIs
• Learning TensorFlow
• Kaggel Learn
• Data Vizualization Kaggle
• Andrew Ng
• cs221
• Future Learning
• HSE Course (GitHub)
• Microsoft Professional Program for Artificial Intelligence
• Blommberg ML
• Toronto DL
• Elements of AI
• Julia Scientific Programming Coursera
• Stepic Julia

Stepic Additional

• Examination
• Adaptive tasks

Курсы, что я прохожу

• ODS ML Course Open
• Deep NLP MIPT
• cs224n (NLP)
• cs231n (DeepLearning)
• Carnegie Melon Deep Learning Course

Курсы, что я уже прошел

• Летняя Школа. Мастерская Deep Learning
• DataCamp:
  • Intro to Python for Data Science
  • Intermediate Python for Data Science
  • Intro to SQL for Data Science
  • Joining Data in PostgreSQL

Где я участвовал как слушатель или как участник или как организатор. Школы, конференции, семинары

• Летняя Школа. Мастерская Deep Learning
• Data Fest^5, Москва,28 апреля 2018

---

Чтение и писанина

Штуки, что надо прочитать

• How Numba and Cython speed up Python code
• Serving machine learning models with RestServe on R
• R TensorFlow Tutorial
• R Keras Tutorial
• New Resources for Deep Learning with the Neuromation Platform
• Word2Vec Tutorial
• Серия статей про ембединги текста
• ImageNet Classification with Deep Convolutional Neural Networks - Colyer
• Context-Dependent Pre-Trained Deep Neural Networks for Large-Vocabulary Speech Recognition
• Истинная реализация нейросети с нуля. Часть 2
• Functional Programming for Deep Learning
• Все отсюда! Прекрасный блог про понимание базовых дип лернингов colah.github.io
• Например вот это - Understanding LSTM Networks
• Manning And Le Cun talks about Innate Prior Chomsky
• The Unreasonable Effectiveness of Recurrent Neural Networks (Карпатый)
• Ассоциативные правила, или пиво с подгузниками
• Connection between absract algebra and high school algebra
• Instance Embedding: Segmentation Without Proposals
• Обзор топологий глубоких сверточных сетей
• Generative Adversarial Nets and Variational Autoencoders at ICML 2018
• Hybrid optical-electronic convolutional neural networks with optimized diffractive optics for image classification
• CERN Project Sees Orders-of-Magnitude Speedup with AI Approach
• Large-Scale Study of Curiosity-Driven Learning.
• Building a text classification model with TensorFlow Hub and Estimators
• Moving Beyond Translation with the Universal Transformer.
• Explaining Black-Box Machine Learning Models - Code Part 1: tabular data + caret + iml
• Keras DNN Part 2
• Boosting Part 3
• Recent Advances for a Better Understanding of Deep Learning − Part I
• What is a Generative Adversarial Network?
• Think Julia: How to Think Like a Computer Scientist
• Rules of Machine Learning: Best Practices for ML Engineering (24 страницы)
• A Few Useful Things to Know about Machine Learning (9 страниц)

Штуки, что я прочитал

• Про преобразование фурье
• Как предсказывают погоду
• Генерация стихов нейросетями
• [Blockchain]()
• Ehtereum
• Автоэнкодеры в Keras
• Разброс и смещение Дяконова
• Распонзнавание сцен и достопримечательностей
• Obfuscated gradients give a false sense of security: circumventing defenses to adversarial examples
• When DNNs go wrong – adversarial examples and what we can learn from them
• Understanding, generalisation, and transfer learning in deep neural networks
• Universal adversarial perturbations
• Delayed impact of fair machine learning
• Почему хватит считать нейронные сети черным ящиком?
• Ultimate guide to handle Big Datasets for Machine Learning using Dask (in Python)
• OpenCV People Counter
• Ложь, наглая ложь и причинный вывод (causal inference)
• pandas on ray early lessons
• Red Flags In DS interview
• Classifying physical activity from smartphone data (Keras and R)
• Keras for R
• Simple audio classification in keras in R
• Пицца аля-semi-supervised
• Определение цвета автомобилей с использованием нейронных сетей и TensorFlow
• Yes, you should understand backprop. A. Karpaty

---

Штуки, что я написал, перевел

• Применяем Deep Watershed Transform в соревновании Kaggle Data Science Bowl 2018
• Из спутниковых снимков в графы (cоревнование SpaceNet Road Detector) — попадание топ-10 и код
• Соревнование Pri-matrix Factorization на DrivenData с 1ТБ данных — как мы заняли 3 место

---

Видео

Видео, что мне надо посмотреть

• Essense of Linear Azlgebra
• PyData Meetup (TensorFlow Architecture) Materials
• Kaggle Mercedes Benz: предсказание времени тестирования автомобилей
• Эффективные модели ближайших соседей
• Lisa Feldman: Emotions and brain
• Manning And Le Cun talks about Innate Prior Chomsky
• Attention is all you need by Ilya Polosuhin
• Simon says LSTM
• Интервью с Виктором Рогуленко

Видео, что я посмотрел

• NLP натекин
• Bias in an Artificial Neural Network explained | How bias impacts training
• Keras init bias
• Генератор текста цепями маркова
• Ethereum work like
• Dstl Safe Passage: детекция и классификация траспортных средств — Владимир Игловиков
• Анализ больших данных в физике элементарных частиц
• Large-Scale Study of Curiosity-Driven Learning
• Подтипирование в Julia: рациональная реконструкция
• Semantic Folding: a new model for intelligent text processing
• Применение карты Кохонена для классификации
• Lambda Calculus
• Essentials: Functional Programming's Y Combinator
• Illustrated Guide to Recurrent Neural Networks
• illustrated guide to LSTM's and GRU's
• Visual Rhythm Beat
• Deep Learning, Structure and Innate Priors
• чатботы на дваче с разными алгами внутри

---

Подкасты, что я послушал

• Deep Learning и Artificial Intelligence — Episode 0114
• AI и TensorFlow — Episode 0122
• DataDog и Cloud Spanner

---

Наука, работа и проекты

Научные статьи, что я прочитал

• Deep Learning Based Solar Flare Forecasting Model. I. Results for Line-of-sight Magnetograms et al 2018

---

My Local Not So Awesome List

Interested Links

• слайды доклада по рекомендационной системе нетфликса Recommender Systems (Machine Learning Summer School 2014 @ CMU)
• An Interactive Tutorial on Numerical Optimization
• Презентация про видеоанализ с RNN
• The Building Blocks of Interpretability Neural Networks
• Хаскель и ДипЛернинг - Awesome Haskell Deep Learning
• Статья рассуждение Functional programming for deep-learning (clojure)
• Очерендной осом хаскель мл лист Awesome haskell ML
• Раздел дата саенс осом хаскель листа Awesome Haskell#Data Science
• Сайт Data Haskell коммьюнити http://www.datahaskell.org/
• Сайт книги Over 130 Practical Recipes For Data Analysis and Machine Learning и репа книги
• Кажется главный пакет по хаскель мл (и уже устарел) - Hlearn
• Очередной язычок Nim очередной диплернинг Experimental rewrite of mnielson's deep learning example code in Nim
• Дичайший диплернинг фреймворк для Nim - Arraymancer
• Все что нужно и всякие другие штуки в МЛ и ДЛ в Джулии (ванлав кажется язычок) в годном месте на сайте и их репа
• Awesome NLP
• Awesome Deep Learning
• Awesome Most Cited Deep Learning Papers
• Awesome Data Science
• Awesome Machine Learning & Deep Learning Tutorials
• Awesome R
• A curated list of data science blogs
• Awesome Artificial Intelligence

---

Necessary and Useful Tools

• List of scappers - Огромный список программ скрейперов помогающих извлекать данные из веб-сайтов. Это инструменты на всех языках программирования и несложные в освоении
• Обработка текста с командной строки - Большая подборка инструментов позволяющих быстро обрабатывать CSV, JSON, XML и другие структурированные документы
• JKAN - Малоизвестный в России открытый движок JKAN для быстрой сборки статического портала открытых данных. Очень просто устроен, очень быстро разворачивается.
• Kekyll on Haskell - быстрый движок подъема статистических страниц. Как Jekyll только на Хаскеле. Just for fun.
• React Vizualization - визуализация на реакте. Зачем то.
• D3.js - нормальная визуализация с помошью нормального JS
• PyTorch - Python + Nim - компилируемый переписаный пайторч под ним
• Lucid - Lucid is a collection of infrastructure and tools for research in neural network interpretability. Фреймворк и набор тетрадок для анализа и визуализации нейросетей
• AutoKeras
• auto-sklearn
• Research2vec - моделька для поиска похожих рисерч пейперов, можно юзать как рекомендашку
• A Python Automated Machine Learning tool that optimizes machine learning pipelines using genetic programming.

---

Datasets

• Some New Interesting Deep Learning Datasets for Data Scientists - Список датасетов интересный
• Cool Datasets - сайт с датасетами клевыми
• Целый сабреддит на реддите с датасетами и обсуждениями