編譯：ZoeY、睡不著的iris、楊威、蔣寶尚

谷歌首席決策科學(xué)家(Chief Decision Scientis)凱西柯茲科夫(Cassie Kozyrkov)在2018年非常高產(chǎn)，為大家寫了非常多關(guān)于人工智能、大數(shù)據(jù)的文章。以下是他感覺她寫過最優(yōu)秀30篇文章，這些文章主要關(guān)注：數(shù)據(jù)科學(xué)和分析、人工智能、機器學(xué)習(xí).... ...

當然，除了給出文章鏈接之外，她還對文章給出了總結(jié)性極強的“妙語”。

數(shù)據(jù)科學(xué)與分析

《數(shù)據(jù)科學(xué)究竟是什么?》：這篇文章快速介紹了數(shù)據(jù)科學(xué)、數(shù)據(jù)工程、統(tǒng)計學(xué)、分析學(xué)、機器學(xué)習(xí)和人工智能。

數(shù)據(jù)科學(xué)是使數(shù)據(jù)有用的學(xué)科。

https://towardsdatascience.com/data-science-conversation-starters-84affd2347f6

 

 

2014年，推特對“數(shù)據(jù)科學(xué)家”的定義

《偉大的數(shù)據(jù)分析師都在做什么?為什么每個組織機構(gòu)都需要他們?》：這篇文章主要介紹：優(yōu)秀的分析師是保證高效的數(shù)據(jù)工作的先決條件。不要低估他們，他們的離職對你來說是非常危險的。

https://hbr.org/2018/12/what-great-data-analysts-do-and-why-every-organization-needs-them

數(shù)據(jù)科學(xué)的三個支柱分別有各自的優(yōu)點。統(tǒng)計學(xué)家保證嚴謹，機器學(xué)習(xí)工程師改善性能表現(xiàn)，分析師提供速度。

《哈佛商業(yè)評論中的秘密段落》是對《哈佛商業(yè)評論》補充的思考內(nèi)容。里面的主題包括混合角色，研究的本質(zhì)，蝙蝠信號，數(shù)據(jù)騙子和偉大分析師們!

企業(yè)家需要注意：現(xiàn)在有很多冒充數(shù)據(jù)科學(xué)家的數(shù)據(jù)騙子。遺憾的是，目前還沒有十全十美的辦法可以辨別數(shù)據(jù)騙子。

http://bit.ly/quaesita_bsides

《人工智能和數(shù)據(jù)科學(xué)的十大角色》：這篇文章介紹了不同的職位名稱和它們對應(yīng)的級別。

如果你的第一份工作的職稱就是“研究員”，那么你公司的職稱系統(tǒng)可能不是很完善。

https://hackernoon.com/top-10-roles-for-your-data-science-team-e7f05d90d961

機器學(xué)習(xí)/人工智能概念

《可能是你讀過的最簡單的機器學(xué)習(xí)知識介紹》的主旨是，機器學(xué)習(xí)是以實踐用例為導(dǎo)向的，而不僅僅是文字說明。

機器學(xué)習(xí)是一種新的編程范式，一種將你的想法傳達給電腦的方式。興奮的是它可以使你將不可說的想法表達出來。

https://hackernoon.com/the-simplest-explanation-of-machine-learning-youll-ever-read-bebc0700047c

《你是不是用錯了“人工智能”這個詞?》：由于定義不明確，實際上我們都沒有正確地使用“人工智能”這個詞。這個詞人人都在用，在本文中我提供了一份快速指南來介紹人工智能、機器學(xué)習(xí)、深度學(xué)習(xí)、強化學(xué)習(xí)和類人工智能。

如果你擔(dān)心會不會每個櫥柜里都潛伏著具擁有類似人類智慧的物種，放心吧，不會的，所有這些工業(yè)化的人工智能應(yīng)用程序都在忙著解決真正的商業(yè)問題。

http://bit.ly/quaesita_ai

《向孩子(或老板)解釋監(jiān)督學(xué)習(xí)》：希望讓所有人都熟悉一些基本術(shù)語，例如：實例、標簽、特性、模型、算法和監(jiān)督學(xué)習(xí)。

不要被術(shù)語嚇倒。例如，“模型”其實只是“菜譜”的比較花哨的說法。

http://bit.ly/quaesita_slkid

 

 

《機器學(xué)習(xí)——是皇帝的新裝嗎?》：是一篇為初學(xué)者準備的可以查看核心概念的文章，包括通過圖片和貓咪介紹算法和損失函數(shù)的概念。

不要因為機器學(xué)習(xí)太簡單而嫌棄它。杠桿也很簡單，但它們可以撬起世界。

https://towardsdatascience.com/data-science-conversation-starters-84affd2347f6

 

 

神經(jīng)網(wǎng)絡(luò)也可以稱為“瑜伽網(wǎng)絡(luò)”，因為它的神奇力量可以幫助你無限拓展邊界。

《無監(jiān)督學(xué)習(xí)的啟發(fā)》：這篇文章講了無監(jiān)督學(xué)習(xí)可以幫助你在數(shù)據(jù)中找到靈感。他們會將相似的東西以分組的形式呈現(xiàn)給你，結(jié)果就像是羅夏墨跡卡那樣。

你們可以把無監(jiān)督學(xué)習(xí)看作是“物以類聚，人以群分”的數(shù)學(xué)版本。

http://bit.ly/quaesita_unsupervised

《可解釋的人工智能卻無法傳播的原因》：許多人被帶有人工智能字樣的的宣傳所吸引，他們認為這意味著可信度。但事實并非如此，陷入信任炒作可能意味著你將錯過人工智能的一大優(yōu)點：靈感。

如果你不相信任何你不理解的人事物，那么你就應(yīng)該炒掉所有的人類員工，因為沒人知道大腦(它擁有數(shù)千億的神經(jīng)元!)是如何做決定的。

https://towardsdatascience.com/data-science-conversation-starters-84affd2347f6

如何在機器學(xué)習(xí)/人工智能項目上保持不敗

《為什么企業(yè)在機器學(xué)習(xí)項目中失敗了》：講述了許多企業(yè)沒有意識到“應(yīng)用機器學(xué)習(xí)”與“機器學(xué)習(xí)算法研究”是兩個截然不同的學(xué)科。

想象一下，你想要開一家餐廳，卻雇傭了那些一輩子都在制造微波爐但從來沒下廚的人……那么，會有什么結(jié)果呢?

https://hackernoon.com/why-businesses-fail-at-machine-learning-fbff41c4d5db

 

 

你在做什么生意?你的答案決定了你應(yīng)該雇傭什么樣的團隊。

《尋找人工智能實踐用例的建議》：先假設(shè)人工智能是個騙局，然后進行的頭腦風(fēng)暴，試圖尋找應(yīng)用人工智能的機會……

企業(yè)經(jīng)常犯的一個錯誤是，想當然地認為機器學(xué)習(xí)是魔法，所以就不用多加思考該怎樣將任務(wù)做好。

https://hackernoon.com/imagine-a-drunk-island-advice-for-finding-ai-use-cases-8d47495d4c3f

《人工智能的第一步可能會讓你大吃一驚》：這篇文章回答了啟動人工智能項目的正確方法是什么，是獲得人工智能學(xué)位嗎?不是。是雇傭人工智能專家嗎?也不是。是選擇一個很棒的算法嗎?也不是。是鉆研數(shù)據(jù)嗎?依然不是!

永遠不要要求一群博士“把機器學(xué)習(xí)應(yīng)用到業(yè)務(wù)上，然后……好事就會發(fā)生。”

http://bit.ly/quaesita_first

《你的人工智能項目成功了嗎?》：提供了一份(現(xiàn)實的)在你為一個應(yīng)用機器學(xué)習(xí)項目雇傭工程師或獲得數(shù)據(jù)之前，你應(yīng)該仔細檢查的清單。

不要為“人工智能”這個詞所限制。多想想它可以為你做什么。

http://bit.ly/quaesita_realitycheck

《開始使用人工智能?從這里開始!》：是一份詳細的指南，闡述了決策者在一個應(yīng)用機器學(xué)習(xí)/人工智能項目中的作用和責(zé)任。

有能力完成和充分利用時間是兩碼事。我們習(xí)慣性地愛上我們已經(jīng)為之付出的努力的人事物，即使它是一堆有毒的垃圾。

http://bit.ly/quaesita_dmguide

《當人工智能出錯時，是誰的錯?》：闡述了機器學(xué)習(xí)、人工智能的關(guān)鍵在于你是在用例子而不是文字說明來表達你的想法。要讓機器學(xué)習(xí)/人工智能起作用，示例必須是相關(guān)的。

如果你使用的工具沒有經(jīng)過安全驗證，那么你造成的任何混亂都是你的鍋。人工智能和其他任何工具一樣。

https://towardsdatascience.com/dont-trust-ai-10a7df520925

數(shù)據(jù)科學(xué)主導(dǎo)力

《數(shù)據(jù)驅(qū)動?再想想》：要做出數(shù)據(jù)驅(qū)動的決策，就必須以數(shù)據(jù)為主導(dǎo)。這個道理似乎很簡單，但在現(xiàn)實中卻鮮有人這樣執(zhí)行，因為決策者缺乏這樣的觀念。

分析數(shù)據(jù)的途徑越多，越是容易產(chǎn)生確認偏差。而“解藥”就是提前制定決策標準。

https://towardsdatascience.com/data-science-conversation-starters-84affd2347f6

《數(shù)據(jù)科學(xué)是否是泡沫?》：發(fā)現(xiàn)越來越多的人自稱是“數(shù)據(jù)科學(xué)家”，但是整個行業(yè)似乎都在玩危險游戲。

“雇傭數(shù)據(jù)科學(xué)家等同于毒梟在自家后院養(yǎng)了一只老虎。事實上你也不知道老虎有什么用，就只知道毒梟都愛養(yǎng)老虎。”

http://bit.ly/quaesita_bubble

《數(shù)據(jù)科學(xué)家領(lǐng)導(dǎo)》：教你如何訓(xùn)練決策者掌握技能，領(lǐng)導(dǎo)成功的數(shù)據(jù)科學(xué)團隊。

崇尚數(shù)學(xué)亞文化的人容易表現(xiàn)出一副藐視一切的“軟”技能。熬夜證明某些定理或者用第六種語言編程都是虛張聲勢之舉。

https://towardsdatascience.com/data-science-leaders-there-are-too-many-of-you-37bff8088505

《重新思考數(shù)據(jù)科學(xué)中的快和慢》：講述了產(chǎn)品開發(fā)團隊如何協(xié)調(diào)快速迭代與進展緩慢的龐然深入研究過程的節(jié)奏，如何取舍?

靈感廉價，精確不易。

https://towardsdatascience.com/data-science-conversation-starters-84affd2347f6

《采訪：給予數(shù)據(jù)科學(xué)家的建議》：對于同行數(shù)據(jù)科學(xué)家問題的直白回答。主題包含：受歡迎的資源、職業(yè)、統(tǒng)計學(xué)教育和數(shù)據(jù)科學(xué)領(lǐng)導(dǎo)力。

有用的不見得復(fù)雜。數(shù)據(jù)質(zhì)量比解決方案更重要。溝通能力勝過另一種編程語言。

http://bit.ly/mlconf_cassie

技術(shù)

《關(guān)于Tensorflow，你需要知道這9件事》：如果你擁有許多的數(shù)據(jù)，或者你緊隨人工智能領(lǐng)域的最新進展，那么TensorFlow會是你的好伙伴。

有了TensorFlow Hub，不同于傳統(tǒng)方法，以更高效的方式幫你整合自己和他人的代碼，或者說你自己的代碼(否則稱之為專業(yè)軟件工程)。

https://towardsdatascience.com/data-science-conversation-starters-84affd2347f6

《什么是不繁瑣的人工智能?》：Kubeflow致力于為數(shù)據(jù)科學(xué)家擺脫一切不喜歡的瑣事。如同一把滑雪橇助你越過瑣事之丘。

祝賀你總算盼來為你打造的基礎(chǔ)設(shè)施，聽上去就像你不需要為自己制造一臺電腦一樣。

http://bit.ly/quaesita_kubeflow

《5小步概述數(shù)據(jù)科學(xué)》：來自谷歌2018 Cloud Next大會受歡迎的演講。5個視頻概述，均不超過5分鐘。

炒作了半個世紀的人工智能并未實現(xiàn)。為什么會是現(xiàn)在呢?許多人未意識到如今的人工智能應(yīng)用講的是云計算的故事。

http://bit.ly/quaesita_ds5

統(tǒng)計學(xué)

《不要在統(tǒng)計學(xué)上浪費時間》：如何確定你是否需要掌握統(tǒng)計學(xué)，如果不知道，你該怎么辦。

統(tǒng)計學(xué)是改變思維的科學(xué)。

http://bit.ly/quaesita_pointofstats

《不要從假設(shè)開始》：學(xué)習(xí)數(shù)學(xué)卻沒有理解其本質(zhì)常犯的錯誤是只做假設(shè)而不行動�？匆幌氯绾问褂脭�(shù)理統(tǒng)計做決定。

假設(shè)像是蟑螂。當你看見一只蟑螂時，代表不止一只。通常附近還隱藏著更多的蟑螂。

http://bit.ly/quaesita_damnedlies

《統(tǒng)計學(xué)入門》：讓你迅速掌握統(tǒng)計學(xué)代表的含義和用通俗易懂的話語理解各類術(shù)語。

數(shù)學(xué)是在虛設(shè)世界中構(gòu)建一個模型。如此你才得到了P值。

http://bit.ly/quaesita_statistics

《總體——你犯了什么錯》：統(tǒng)計學(xué)方法只有在你需要的信息(總體)與你擁有的信息(樣本)不匹配的時候才能發(fā)揮作用。

從樣本到總體如同伊卡洛斯似的跳躍，在你不知道目標的情況下，結(jié)果將是一次大的碰撞。

http://bit.ly/quaesita_popwrong

《統(tǒng)計學(xué)理解自測》：能否通過小測驗來檢驗自己的統(tǒng)計學(xué)專業(yè)能力?如果光憑STAT101告訴你的東西，你還差的遠呢。

如果你掌握了真相，你就不需要統(tǒng)計學(xué)了。

http://bit.ly/quaesita_savvy

《Incompetence, delegation, and population》： 如果決策者技能不過關(guān)，那么整個統(tǒng)計項目注定會失敗。 什么時候統(tǒng)計學(xué)家應(yīng)該和決策者撕逼，什么時候應(yīng)該順從指示呢?

如果你希望用數(shù)據(jù)說服他人，你就必須摒棄嚴謹，繪制漂亮的圖表

相關(guān)報道：

https://towardsdatascience.com/data-science-conversation-starters-84affd2347f6

標簽： 安全 大數(shù)據(jù) 代碼 谷歌 數(shù)據(jù)分析 網(wǎng)絡(luò) 云計算

版權(quán)申明：本站文章部分自網(wǎng)絡(luò)，如有侵權(quán)，請聯(lián)系：west999com@outlook.com
特別注意：本站所有轉(zhuǎn)載文章言論不代表本站觀點！
本站所提供的圖片等素材，版權(quán)歸原作者所有，如需使用，請與原作者聯(lián)系。