گردآوری قطعه وب علوم داده، 14 ژانویه: مجموعه داده های Kaggle و اشکال زدایی پایتون

به اولین جمع بندی هفتگی ما از قطعات علم داده از سراسر وب خوش آمدید. فهرست اولیه ما دارای مقالاتی درباره موضوعاتی از مجموعه داده های Kaggle تا YOLO تا استقرار در تولید یادگیری ماشین و فراتر از آن است.

از برخی از مقالات مورد علاقه ما در این هفته که در KDnuggets ظاهر نشدند لذت ببرید.

 
10 مجموعه داده از Kaggle که باید برای بهبود مهارت های علم داده خود تمرین کنید

بیایید این کار را درست با مجموعه ای از مجموعه داده های Kaggle شروع کنیم تا به دست شما برسد. اندرو لومبارتی فهرستی از 10 مجموعه داده را گردآوری کرده است تا دندان‌های شما را برش دهید، از مجموعه معروف تایتانیک که برای مبتدیان عالی است تا پایه‌های بینایی کامپیوتر مانند MNIST و CIFAR. ممکن است قبلاً با این مجموعه داده ها آشنا باشید، اما ممکن است دوباره آشنا نباشید، و شرط می بندم که یکی دو مورد در ترکیبی وجود دارد که یا تا به حال با آنها بازی نکرده اید یا حداقل مدتی است. برای این مقاله به Toward Science Data بروید و خودتان نگاهی بیندازید.

 
ابزارهای اشکال زدایی پایتون

در این مقاله از تسلط بر یادگیری ماشینآدریان تام PDB، دیباگر داخلی پایتون را بررسی می‌کند، که به عقیده او اگر ما بدانیم چگونه از آن استفاده کنیم، می‌تواند کمک زیادی به توسعه‌دهندگان ارائه کند. این آموزش را بخوانید تا ابتدا بفهمید که یک دیباگر در چه مواردی می‌تواند کمک کند و چگونه از آن استفاده می‌شود، و سپس درباره pdf اطلاعات بیشتری کسب کنید و به برخی از جایگزین‌ها نگاه کنید.

 
دانشمندان داده چه می کنند؟

سوفیا یانگ، دانشمند ارشد داده آناکوندا، در مورد علم داده، این سوال اساسی را مورد بحث قرار می دهد:دانشمندان داده چه می کنند؟او استدلال می‌کند که آنها قبل از هر چیز ارزشی را به ارمغان می‌آورند، که مختص کسب‌وکار است، و به شکل «سنجه‌های ستاره شمالی» مانند افزایش کاربران ماهانه برای کسب‌وکاری که در هسته مدل کسب‌وکار خود افزایش کاربران ماهانه دارد. سوفیا در ادامه پنج حوزه را به اشتراک می‌گذارد که معتقد است دانشمندان داده در تجارت بسیار ارزشمند هستند.

 
مروری بر YOLOv4 و YOLOv5

هر کسی که علاقه مند به درک بینایی کامپیوتر است، می خواهد مرور کلی آدرین پایونگ در مورد YOLOv4 و YOLOv5 را بخواند. کمی از تاریخچه الگوریتم‌های YOLO را بخوانید، توسعه بین جدیدترین نسخه‌ها را درک کنید، و با استفاده از YOLO در مورد تشخیص میوه در زمان واقعی اطلاعات کسب کنید. یک مطالعه فنی خوب برای علاقه مندان به بینایی کامپیوتر.

 
تانسورهای دو بعدی در Pytorch

On تسلط بر یادگیری ماشین، محمد اسد اقبال خان یک آموزش جامع در مورد تانسورهای PyTorch دو بعدی می نویسد. خان مقاله قبلی خود را در مورد تانسورهای PyTorch یک بعدی با اعمال بسیاری از عملیات مشابه در تانسورهای دو بعدی دنبال می کند. موضوعات خاص پوشش داده شده شامل ایجاد تانسور، کاوش در اشکال تانسور، برش و نمایه سازی تانسورها، و به کارگیری روش های ریاضی تانسور متعدد است.

 
راز ارائه یادگیری ماشینی به تولید

اینبال بودوفسکی تال تحلیل می‌کند که چرا پروژه‌هایی که با چنین وعده‌هایی شروع می‌شوند تا این حد دچار افت تولید می‌شوند – این در صورتی است که حتی درستش کن به تولید. این پروژه ها فقط بدون دلیل شکست نمی خورند، اما آیا وجه مشترکی وجود دارد؟ بودوفسکی تال مشکلات استقرار موفقیت آمیز را تشریح می کند و پیشنهاداتی را برای اجتناب از آنها ارائه می دهد.

منبع: https://www.kdnuggets.com/2022/01/weekly-web-nugget-roundup-0114.html