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(xiě)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(jué)她寫(xiě)過(guò)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(jī)器學(xué)習(xí).... ...

當(dāng)然，除了給出文章鏈接之外，她還對(duì)文章給出了總結(jié)性極強(qiáng)的“妙語(yǔ)”。

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(jì)學(xué)、分析學(xué)、機(jī)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(duì)“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(gè)組織機(jī)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(duì)你來(lái)說(shuō)是非常危險(xiǎn)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(gè)支柱分別有各自的優(yōu)點(diǎn)。統(tǒng)計(jì)學(xué)家保證嚴(yán)謹(jǐn)，機(jī)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(píng)論中的秘密段落》是對(duì)《哈佛商業(yè)評(píng)論》補(bǔ)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(hào)，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(méi)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(chēng)和它們對(duì)應(yīng)的級(jí)別。

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

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

機(jī)器學(xué)習(xí)/人工智能概念

《可能是你讀過(guò)的最簡(jiǎn)單的機(jī)器學(xué)習(xí)知識(shí)介紹》的主旨是，機(jī)器學(xué)習(xí)是以實(shí)踐用例為導(dǎo)向的，而不僅僅是文字說(shuō)明。

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

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

《你是不是用錯(cuò)了“人工智能”這個(gè)詞?》：由于定義不明確，實(shí)際上我們都沒(méi)有正確地使用“人工智能”這個(gè)詞。這個(gè)詞人人都在用，在本文中我提供了一份快速指南來(lái)介紹人工智能、機(jī)器學(xué)習(xí)、深度學(xué)習(xí)、強(qiáng)化學(xué)習(xí)和類(lèi)人工智能。

如果你擔(dān)心會(huì)不會(huì)每個(gè)櫥柜里都潛伏著具擁有類(lèi)似人類(lèi)智慧的物種，放心吧，不會(huì)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(wèn)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(yǔ)，例如：實(shí)例、標(biāo)簽、特性、模型、算法和監(jiān)督學(xué)習(xí)。

不要被術(shù)語(yǔ)嚇倒。例如，“模型”其實(shí)只是“菜譜”的比較花哨的說(shuō)法。

http://bit.ly/quaesita_slkid

 

 

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

不要因?yàn)闄C(jī)器學(xué)習(xí)太簡(jiǎn)單而嫌棄它。杠桿也很簡(jiǎn)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(chēng)為“瑜伽網(wǎng)絡(luò)”，因?yàn)樗�的神奇力量可以幫助你無(wú)限拓展邊界。

《無(wú)監(jiān)督學(xué)習(xí)的啟發(fā)》：這篇文章講了無(wú)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(huì)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(wú)監(jiān)督學(xué)習(xí)看作是“物以類(lèi)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(wú)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(rèn)為這意味著可信度。但事實(shí)并非如此，陷入信任炒作可能意味著你將錯(cuò)過(guò)人工智能的一大優(yōu)點(diǎn)：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(lèi)員工，因?yàn)闆](méi)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(jī)器學(xué)習(xí)/人工智能項(xiàng)目上保持不敗

《為什么企業(yè)在機(jī)器學(xué)習(xí)項(xiàng)目中失敗了》：講述了許多企業(yè)沒(méi)有意識(shí)到“應(yīng)用機(jī)器學(xué)習(xí)”與“機(jī)器學(xué)習(xí)算法研究”是兩個(gè)截然不同的學(xué)科。

想象一下，你想要開(kāi)一家餐廳，卻雇傭了那些一輩子都在制造微波爐但從來(lái)沒(méi)下廚的人……那么，會(huì)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(tuán)隊(duì)。

《尋找人工智能實(shí)踐用例的建議》：先假設(shè)人工智能是個(gè)騙局，然后進(jìn)行的頭腦風(fēng)暴，試圖尋找應(yīng)用人工智能的機(jī)會(huì)……

企業(yè)經(jīng)常犯的一個(gè)錯(cuò)誤是，想當(dāng)然地認(rèn)為機(jī)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(huì)讓你大吃一驚》：這篇文章回答了啟動(dòng)人工智能項(xiàng)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(zhuān)家嗎?也不是。是選擇一個(gè)很棒的算法嗎?也不是。是鉆研數(shù)據(jù)嗎?依然不是!

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

http://bit.ly/quaesita_first

《你的人工智能項(xiàng)目成功了嗎?》：提供了一份(現(xiàn)實(shí)的)在你為一個(gè)應(yīng)用機(jī)器學(xué)習(xí)項(xiàng)目雇傭工程師或獲得數(shù)據(jù)之前，你應(yīng)該仔細(xì)檢查的清單。

不要為“人工智能”這個(gè)詞所限制。多想想它可以為你做什么。

http://bit.ly/quaesita_realitycheck

《開(kāi)始使用人工智能?從這里開(kāi)始!》：是一份詳細(xì)的指南，闡述了決策者在一個(gè)應(yīng)用機(jī)器學(xué)習(xí)/人工智能項(xiàng)目中的作用和責(zé)任。

有能力完成和充分利用時(shí)間是兩碼事。我們習(xí)慣性地愛(ài)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(dāng)人工智能出錯(cuò)時(shí)，是誰(shuí)的錯(cuò)?》：闡述了機(jī)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(shuō)明來(lái)表達(dá)你的想法。要讓機(jī)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(méi)有經(jīng)過(guò)安全驗(yàn)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(dòng)?再想想》：要做出數(shù)據(jù)驅(qū)動(dòng)的決策，就必須以數(shù)據(jù)為主導(dǎo)。這個(gè)道理似乎很簡(jiǎn)單，但在現(xiàn)實(shí)中卻鮮有人這樣執(zhí)行，因?yàn)闆Q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(rèn)偏差。而“解藥”就是提前制定決策標(biāo)準(zhǔn)。

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(lái)越多的人自稱(chēng)是“數(shù)據(jù)科學(xué)家”，但是整個(gè)行業(yè)似乎都在玩危險(xiǎn)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(shí)上你也不知道老虎有什么用，就只知道毒梟都愛(ài)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(tuán)隊(duì)。

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(yǔ)言編程都是虛張聲勢(shì)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(kāi)發(fā)團(tuán)隊(duì)如何協(xié)調(diào)快速迭代與進(jìn)展緩慢的龐然深入研究過(guò)程的節(jié)奏，如何取舍?

靈感廉價(jià)，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(duì)于同行數(shù)據(jù)科學(xué)家問(wèn)題的直白回答。主題包含：受歡迎的資源、職業(yè)、統(tǒng)計(jì)學(xué)教育和數(shù)據(jù)科學(xué)領(lǐng)導(dǎo)力。

有用的不見(jiàn)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(guò)另一種編程語(yǔ)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(jìn)展，那么TensorFlow會(huì)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(shuō)你自己的代碼(否則稱(chēng)之為專(zhuān)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(guò)瑣事之丘。

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

http://bit.ly/quaesita_kubeflow

《5小步概述數(shù)據(jù)科學(xué)》：來(lái)自谷歌2018 Cloud Next大會(huì)受歡迎的演講。5個(gè)視頻概述，均不超過(guò)5分鐘。

炒作了半個(gè)世紀(jì)的人工智能并未實(shí)現(xiàn)。為什么會(huì)是現(xiàn)在呢?許多人未意識(shí)到如今的人工智能應(yīng)用講的是云計(jì)算的故事。

http://bit.ly/quaesita_ds5

統(tǒng)計(jì)學(xué)

《不要在統(tǒng)計(jì)學(xué)上浪費(fèi)時(shí)間》：如何確定你是否需要掌握統(tǒng)計(jì)學(xué)，如果不知道，你該怎么辦。

統(tǒng)計(jì)學(xué)是改變思維的科學(xué)。

http://bit.ly/quaesita_pointofstats

《不要從假設(shè)開(kāi)始》：學(xué)習(xí)數(shù)學(xué)卻沒(méi)有理解其本質(zhì)常犯的錯(cuò)誤是只做假設(shè)而不行動(dòng)。看一下如何使用數(shù)理統(tǒng)計(jì)做決定。

假設(shè)像是蟑螂。當(dāng)你看見(jiàn)一只蟑螂時(shí)，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(jì)學(xué)入門(mén)》：讓你迅速掌握統(tǒng)計(jì)學(xué)代表的含義和用通俗易懂的話語(yǔ)理解各類(lèi)術(shù)語(yǔ)。

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

http://bit.ly/quaesita_statistics

《總體——你犯了什么錯(cuò)》：統(tǒng)計(jì)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(shí)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(biāo)的情況下，結(jié)果將是一次大的碰撞。

http://bit.ly/quaesita_popwrong

《統(tǒng)計(jì)學(xué)理解自測(cè)》：能否通過(guò)小測(cè)驗(yàn)來(lái)檢驗(yàn)自己的統(tǒng)計(jì)學(xué)專(zhuān)業(yè)能力?如果光憑STAT101告訴你的東西，你還差的遠(yuǎn)呢。

如果你掌握了真相，你就不需要統(tǒng)計(jì)學(xué)了。

http://bit.ly/quaesita_savvy

《Incompetence, delegation, and population》： 如果決策者技能不過(guò)關(guān)，那么整個(gè)統(tǒng)計(jì)項(xiàng)目注定會(huì)失敗。 什么時(shí)候統(tǒng)計(jì)學(xué)家應(yīng)該和決策者撕逼，什么時(shí)候應(yīng)該順從指示呢?

如果你希望用數(shù)據(jù)說(shuō)服他人，你就必須摒棄嚴(yán)謹(jǐn)，繪制漂亮的圖表

相關(guān)報(bào)道：

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

標(biāo)簽： 安全 大數(shù)據(jù) 代碼 谷歌 數(shù)據(jù)分析 網(wǎng)絡(luò) 云計(jì)算

版權(quán)申明：本站文章部分自網(wǎng)絡(luò)，如有侵權(quán)，請(qǐng)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(diǎn)！
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(qǐng)與原作者聯(lián)系。