В тренде

В этом информационном бюллетене мы представляем вам лучшие и наиболее читаемые статьи о машинном обучении. Это еженедельный информационный бюллетень, публикуемый MLearning.ai.

  • Почему человеку не следует заниматься индустрией искусственного интеллекта в 2021 году
  • Прогнозирование временных рядов
  • Пять способов получить работу в области науки о данных без опыта

Почему человеку не следует заниматься индустрией искусственного интеллекта в 2021 году?

Реальность такова, что создание решений ИИ часто начинается с нуля - с привлечением крупных инженерных групп для создания надежного конвейера обработки данных, цикла переподготовки, процессов мониторинга моделей и многого другого. СМИ изображают только самую сексуальную и крутую часть индустрии. Современный агент обучения с подкреплением часто попадает в заголовки газет, но не оказывает никакого влияния.
Если вам нужна работа в области искусственного интеллекта, которая не даст вам уснуть по ночам и поможет формировать наше будущее с помощью передовых технологий, тогда этот текст описывает, что нужно для этого. Но это непросто!

Почему не стоит присоединяться к индустрии искусственного интеллекта в 2021 году

Заинтересованы в ИИ? Прочтите это в первую очередь .

Автор Дэвид Чонг

Прогнозирование временных рядов

В статье представлена ​​архитектура преобразователя-декодера для прогнозирования временных рядов на основе набора данных о влажности, предоставленного Woodsense. Этот проект является продолжением предыдущего проекта, который включал обучение LSTM на том же наборе данных. Было замечено, что LSTM страдает от «кратковременной памяти» на длинных последовательностях. Следовательно, было решено использовать в этом проекте Transformer, который превосходит LSTM по тому же набору данных. Зачем переключаться? Архитектура трансформатора обрабатывает токены одновременно, а значит, намного быстрее, чем последовательно, как это делает LSTM. Это означает, что во время обучения модель может обработать гораздо больше информации и, таким образом, имеет потенциал для прогнозирования временных рядов, а также других проблем НЛП. Как сравнить результаты? Последняя модель показывает отличные результаты на наборе данных, превосходя предыдущую реализацию с использованием LSTM, которая, как было замечено, страдала от кратковременной памяти. Следовательно, это показывает, что преобразователь полезен для задачи прогнозирования временных рядов.
И это по следующей причине: Наташа Клингенбрунн поясняет главную цель проекта: сравнение LSTM и архитектуры Transformer.

Трансформаторы для прогнозирования временных рядов

Архитектура трансформатора-декодера для прогнозирования временных рядов

Автор Наташа Клингенбрун

Пять способов получить работу в области науки о данных без опыта

Текст хороший и понятный. Вам нетрудно ее прочитать; на самом деле, вы это очень хорошо понимаете. Вы можете видеть, что автор оставил несколько намеков и инструкций относительно того, о чем идет речь, чтобы вы могли читать самостоятельно. История от Джорджа Пиписа рассказывает о 4 различных элементах, которые могут помочь людям найти работу:
1. Stack Overflow,
2. Блог,
3. GitHub < br /> 4. Kaggle
Для каждого из этих элементов он приводит пример и план действий, когда у вас нет опыта или вы хотите улучшить свои навыки.

Если вы это сделаете, вы можете сузить круг до наиболее важного для них значения. Вот результаты:
Подходит:
Инженерам не нужно ваше резюме, им нужны ваши аккаунты Github, Stackoverflow и Kaggle с хорошей репутацией.

Как получить работу в области науки о данных без опыта

Что вам действительно нужно, чтобы ваше заявление о приеме на работу выделилось и начать карьеру специалиста по данным.

Автор Джордж Пипис