KDnuggets™ News 21:n32, augusztus 25: Nyílt forráskódú adatkészletek a Computer Vision számára; A Django 9 leggyakoribb alkalmazása

Címkék: Számítógépes látás, Datasets, Django, microsoft, Modellezés, Open Source, Piton, StackOverflow

Nyílt forráskódú adatkészletek számítógépes látáshoz; A Django 9 leggyakoribb alkalmazása; Hogyan válasszunk ki egy kezdeti modellt adattudományi problémájához; A Microsoft Excel és a Word automatizálása Python használatával; Stack Overflow Survey Data Science Highlights

Ezen a héten a KDnuggets: Open Source Datasets for Computer Vision; A Django 9 leggyakoribb alkalmazása; Hogyan válasszunk ki egy kezdeti modellt adattudományi problémájához; A Microsoft Excel és a Word automatizálása Python használatával; Stack Overflow Survey Data Science Highlights; és még sok-sok más.

Az új KDnuggets Top Blogs Jutalomprogram fizet a legjobb blogok szerzőinek – ellenőrizze részletek itt. Újbóli közzétételeket elfogadunk, de szeretjük az eredeti beküldéseket, amelyeket az újraküldések arányának háromszorosával jutalmazunk.

Jellemzők

Nyílt forráskódú adatkészletek a Computer Vision számára, írta: Kevin Vu
A Django 9 leggyakoribb alkalmazása, szerző: Aakash Bijwe
Hogyan válasszunk kiindulási modellt adattudományi problémájához, írta: Zachary Warnes
A Microsoft Excel és a Word automatizálása Python használatával, írta: Mohammad Khorasani
Stack Overflow Survey Data Science Highlights, írta: Matthew Mayo

Termékek és szolgáltatások

Oktatóanyagok, áttekintések

Data Scientist's Guide a hatékony kódoláshoz Pythonban, Dr. Varshita Sher
Amikor a korreláció jobb, mint az ok-okozati összefüggés, írta: Brittany Davis
A gépi tanulás személyre szabásának javítása a változatosság révén, írta: Raghavan Kirthivasan
Adattudomány és gépi tanulás tanulása: első lépések, szerző: Harshit Tyagi

Vélemények

5 elkerülendő adattudományi hiba, írta: Tessa Xie
5 dolog, ami megkönnyíti az adattudós munkámat, Shree Vandana
15 dolog, amit keresek az adattudományi jelölteknél, írta: Mathias Gruber
7 ok, amiért formális adattudományi diplomát kell szereznie, Purvanshi Mehta
A mesterséges intelligencia megfejtése: A mesterséges intelligencia (és az emberi lények) előítéletei, szerző: Manjesh Gupta
A hatékony adatintegrációs megoldás alapvető jellemzői, írta: Rabia Hatim

Top Stories

Top Stories, augusztus 16–22.: Az adattudósok és az ML-mérnökök közötti különbség; Prefektus: Hogyan írjuk meg és ütemezzük be az első ETL-folyamatot Python segítségével, készítette: KDnuggets

Állások

Lásd a legújabb állások AI, Analytics, Data Science, Machine Learning területén
Ingyenes rövid bejegyzést tehet közzé a KDnuggets állások oldalán egy mesterséges intelligenciával, Big Data-val, Data Science-szel vagy gépi tanulással kapcsolatos iparági vagy egyetemi állásokról e-mailben – lásd a részleteket: kdnuggets.com/jobs

A hét képe

A Computer Vision nyílt forráskódú adatkészleteiből

= Előző üzenet

Következő üzenet =>

Legnépszerűbb történetek az elmúlt 30 napból

Legnepszerubb
A különbség az adattudósok és az ML mérnökök között 3 ok, amiért érdemes lineáris regressziós modelleket használni a neurális hálózatok helyett A leggyakoribb adattudományi interjúkérdések és válaszok GitHub másodpilóta nyílt forráskódú alternatívák Tanácsok az adattudomány tanulásához a Google kutatási igazgatójától

Leginkább megosztott
A különbség az adattudósok és az ML mérnökök között Hogyan kérdezze le a Pandas adatkeretét Miért és hogyan érdemes megtanulni a „termelő adattudományt”? Nem csak a mély tanuláshoz: Hogyan gyorsítják fel a GPU-k az adattudományt és az adatelemzést Az első elosztott Python-alkalmazás megírása Ray segítségével