Najpopularniejsze w zeszłym tygodniu

1. Ścieżka do nauki o pełnym stosie danych, przez Jawwad Siddique
2. Jak zbudować bazę danych za pomocą Pythona, Irfan Alghani Khalid
3. Przewyższanie bilionów parametrów i GPT-3 z przełącznikami transformatorów – droga do AGI?, autor: Kevin Vu
4. Dziewięć narzędzi, które chciałbym opanować przed doktoratem z uczenia maszynowego, autorstwa Aliaksei Mikhailiuk
5. 20 projektów uczenia maszynowego, dzięki którym zostaniesz zatrudniony, autorstwa Khushbu Shaha

Najczęściej udostępniane w zeszłym tygodniu

1. Ścieżka do nauki o pełnym stosie danych, przez Jawwad Siddique
2. Nauczanie sztucznej inteligencji klasyfikowania wzorców szeregów czasowych za pomocą danych syntetycznych, autor: Tirthajyoti Sarkar
3. Cykl życia procesu analizy danych, Lillian Pierson, PE
4. Jak zbudować bazę danych za pomocą Pythona, Irfan Alghani Khalid
5. Przewyższanie bilionów parametrów i GPT-3 z przełącznikami transformatorów – droga do AGI?, autor: Kevin Vu

Najpopularniejsze tweety w zeszłym tygodniu

1. Pytania do wywiadu z naukowcem stosowanym i #datascientistem Amazona – bardzo przydatna lista
2. 10 zaawansowanych sztuczek #Python, aby pisać szybciej, czystszy kod
3. Nowa #książka: Naucz się kodować w #Pythonie, rozwiązując problemy
4. Jak zarobiłem 6,000 dolarów w 10 minut, używając Pand
5. Jak uczyć się #MachineLearning od podstaw

Najpopularniejsze w ciągu ostatnich 30 dni

1. Czy czytasz pliki Excela w Pythonie? Jest 1000 razy szybszy sposób, autorstwa Nicolasa Vandeputa
2. Naukowcy zajmujący się danymi bez umiejętności w zakresie inżynierii danych zmierzą się z surową prawdą, przez Sonera Yildirim
3. Dziewięć narzędzi, które chciałbym opanować przed doktoratem z uczenia maszynowego, autorstwa Aliaksei Mikhailiuk
4. Portfolio Data Science, które zapewni Ci pracę, autorstwa Natasszy Selvaraj
5. Jak tworzyć oszałamiające aplikacje internetowe do projektów z zakresu analizy danych, autorstwa Murallie Thuwarakesh

Najczęściej udostępniane w ciągu ostatnich 30 dni

1. Otwarta księga Kompendium uczenia maszynowego i głębokiego, przez Ori Cohen
2. Jak znaleźć słabości w modelach uczenia maszynowego, Michael Berk
3. Naukowcy zajmujący się danymi bez umiejętności w zakresie inżynierii danych zmierzą się z surową prawdą, przez Sonera Yildirim
4. Ścieżka do nauki o pełnym stosie danych, przez Jawwad Siddique
5. 8 pomysłów na projekty głębokiego uczenia się dla początkujących, autorstwa Aqsa Zafar