Подборка подкастов с новостями из мира данных, машинного обучения и искусственного интеллекта.
🔹The Data Skeptic
https://dataskeptic.com/
Отличный старт для тех, кто хочет узнать основы обработки данных и машинного обучения. Каждую неделю они выпускают эпизоды по 10-15 минут, в которых дают краткий обзор для начинающих на темы типа кластеризации методом k-средних, обработки текста на естественных языках, изучения диаграмм древа принятых решений. Причем в примерах ведущие часто проводят аналогии с их домашним попугаем Йоши. Единственный подкаст, в котором вы будете изучать кластеризацию к-средних на примере расположения птичьего помёта.
🔹Partially Derivative
http://partiallyderivative.com/
Каждую неделю ведущие Крис Элбон и Джонатан Морган, опытные техногики и специалисты по обработке данных, обсуждают последние новости в сфере анализа данных за чашечкой чего-нибудь. Слушая Partially Derivative, вы всегда будете в курсе последних новостей из этой сферы.
🔹The O’Reilly Data Show
http://radar.oreilly.com/tag/oreilly-data-show-podcast
Этот подкаст ведёт Бен Лорика, главный специалист по обработке данных в издательстве O’Reilly Media, обсуждающий с экспертами актуальные темы по big data и науке обработки информации. Иногда они уходят в техническую сторону вопроса, но тема дискуссий всегда остаётся любопытной.
🔹Data Stories
http://datastori.es/
Data Stories больше сосредоточен на визуализации данных, чем на науке их обработки. Но зачастую эти темы интересно пересекаются друг с другом. Каждую неделю Энрико Бертини и Моритц Стефанер с их гостями поднимают разные вопросы. Последние эпизоды, например, посвящены глобальному потеплению, визуализации человеческого поведения и инсталляции данных.
🔹Learning Machines 101
http://www.learningmachines101.com/
Описывая себя как «Легкий вводный курс в искусственный интеллект и машинное обучение», подкаст тем не менее очень сложен и насыщен техническими подробностями. В передаче освещаются следующие темы: «Как рассуждать о недостоверных событиях, используя теорию нечётких множеств и теорию нечёткой меры» и «Как представить знание, применяя логические правила».
📌Источник:
http://rb.ru/list/7-podcasts/
🔹The Data Skeptic
https://dataskeptic.com/
Отличный старт для тех, кто хочет узнать основы обработки данных и машинного обучения. Каждую неделю они выпускают эпизоды по 10-15 минут, в которых дают краткий обзор для начинающих на темы типа кластеризации методом k-средних, обработки текста на естественных языках, изучения диаграмм древа принятых решений. Причем в примерах ведущие часто проводят аналогии с их домашним попугаем Йоши. Единственный подкаст, в котором вы будете изучать кластеризацию к-средних на примере расположения птичьего помёта.
🔹Partially Derivative
http://partiallyderivative.com/
Каждую неделю ведущие Крис Элбон и Джонатан Морган, опытные техногики и специалисты по обработке данных, обсуждают последние новости в сфере анализа данных за чашечкой чего-нибудь. Слушая Partially Derivative, вы всегда будете в курсе последних новостей из этой сферы.
🔹The O’Reilly Data Show
http://radar.oreilly.com/tag/oreilly-data-show-podcast
Этот подкаст ведёт Бен Лорика, главный специалист по обработке данных в издательстве O’Reilly Media, обсуждающий с экспертами актуальные темы по big data и науке обработки информации. Иногда они уходят в техническую сторону вопроса, но тема дискуссий всегда остаётся любопытной.
🔹Data Stories
http://datastori.es/
Data Stories больше сосредоточен на визуализации данных, чем на науке их обработки. Но зачастую эти темы интересно пересекаются друг с другом. Каждую неделю Энрико Бертини и Моритц Стефанер с их гостями поднимают разные вопросы. Последние эпизоды, например, посвящены глобальному потеплению, визуализации человеческого поведения и инсталляции данных.
🔹Learning Machines 101
http://www.learningmachines101.com/
Описывая себя как «Легкий вводный курс в искусственный интеллект и машинное обучение», подкаст тем не менее очень сложен и насыщен техническими подробностями. В передаче освещаются следующие темы: «Как рассуждать о недостоверных событиях, используя теорию нечётких множеств и теорию нечёткой меры» и «Как представить знание, применяя логические правила».
📌Источник:
http://rb.ru/list/7-podcasts/