這五個數據科學家和機器學習工程師油管博主,你必須關注

2020-12-09 讀芯術

全文共1983字，預計學習時長5分鐘

圖源：unsplash

別再看沒完沒了地看油管上的貓咪視頻！是時候利用它「武裝」自己的大腦了。這5個油管博主，筆者強烈安利，讓他們帶你去了解如何有效地規劃數據科學事業，或者在等待損失收斂的同時，學習如何增強對人類思想和意識起源的直覺吧。

1.萊克斯·弗裡德曼

萊克斯·弗裡德曼的油管頻道可以說是迄今為止機器學習從業者最具洞察力的頻道。這個頻道的視頻內容是萊克斯·弗裡德曼本人與電腦運算、機器學習、深度學習、人工智慧等領域的先驅或頂尖研究人員進行的簡單對話。

推薦這個頻道的主要原因是，萊克斯·弗裡德曼曾與機器學習和深度學習領域的先驅進行過交流。大多數深度學習從業者多多少少會熟悉一些下列的深度學習先驅。

· 伊恩·古德費洛（生成對抗網絡發明人），

· 伊利亞·薩斯特凱弗（AlexNet的共同發明人）

· 楊立昆（深度學習先驅）

· 約書亞·本吉奧（深度學習先驅）

除了萊克斯頻道上與深度學習相關的視頻，我最喜歡的視頻就是他與約沙·巴赫的對話，十分引人入勝。約沙能夠快速巧妙地回答圍繞意識、人類思想和宇宙所提出的問題。不要猶豫，去尋找這個頻道有約4500萬瀏覽量的原因吧！

2.肯恩·傑

他是最有趣的數據科學油管人物之一，有五年數據科學領域工作經驗。

大多數數據科學家可能已經很熟悉肯恩·傑了，也許你看過他簡歷和作品集中的一個視頻，也許你看過他的「從零開始的數據科學項目」系列視頻。我訂閱了肯恩·傑的視頻，因為他採訪的是數據科學家和機器學習從業者。這些訪談提供了嘉賓在數據科學和相關領域的學習和經驗。

我從本頻道的幾位訪談嘉賓那裡獲得了豐富的信息，了解如何在人工智慧領域內進行職業生涯規劃。如果你是一名數據科學家，以下是你應該訂閱這個頻道的理由：

· 有關數據科學家的視頻採訪，信息豐富，適用於科技巨頭公司。

· 對阿布舍克·塔庫爾的採訪卓有見地，他是數據科學界的一位知名人士，四次獲得Kaggle特級大師稱號。

· 有大量數據科學從業者會涉及到的內容。肯恩有視頻介紹如何有效地學習數據科學、處理冒名頂替綜合症、以及你應該從事哪些項目才能被僱傭。

· 等待機器學習模型完成訓練時，你可以觀看五分鐘短視頻。

3.亞尼克·基爾徹

亞尼克·基爾徹的頻道出色地解讀了有關最新機器學習技術的研究論文。下面是這幾期展示了亞尼克在解釋研究論文時所採用的直觀和直截了當的方法。

· OpenAI的GPT-3研究論文解讀

· 介紹變壓器網絡的論文解讀

· 機器學習領域經典研究論文視頻系列

並不是所有的機器學習實踐者都有以前的碩士或博士經驗，這些經驗使他們具備閱讀和理解研究論文所需的開發技能。大量的數據科學家和機器學習工程師是自學成才的，不具備有效分析研究論文所需的學術紀律。

這就是為什麼亞尼克頻道是我最喜歡的5個油管頻道之一，我將向數據科學家和機器學習從業者推薦獲取傳統和現代機器學習模型和技術的深度技術信息。

4.喬丹·哈羅德

喬丹·哈羅德是麻省理工學院和哈佛大學的畢業生，他製作人工智慧相關主題的視頻內容。在喬丹的頻道上，你可以找到大量視頻解釋基於AI技術直接應用於解決現實世界的問題。

喬丹頻道上的視頻大多簡明扼要，不到10分鐘。然而，它們包含了很多相關和最新的信息，大多數機器學習從業者都能從中受益。

喬丹的視頻從技術角度探索了有高興趣價值的話題，比如AI如何用於預測新冠病毒，或者AI解決方案內部的種族偏見。

圖源：unsplash

5.3Blue1Brown

這頻道的創作者是格蘭特·桑德森，他的視頻內容爆贊。對於那些對頻道背後的面孔和個性感到好奇的人來說，可以看看萊克斯·弗裡德曼對格蘭特的兩次訪談。熟悉3Blue1Brown的人會同意我的說法，他用15-20分鐘的短視頻教授大學講師要花上幾個小時的課程。

這個頻道教會了我機器學習和神經網絡的基礎知識，使數學變得簡單。在機器學習中，了解諸如線性代數、微積分和偏微分之類的主題是至關重要的。在研究神經網絡時，理解神經網絡的基本組成部分是至關重要的。理解反向傳播，梯度下降和一般的神經網絡等概念也是至關重要的。

油管上的數據科學/機器學習油管博主有太多太多，你可以好好規劃自己的學習觀看列表了。

留言點讚關注

我們一起分享AI學習與發展的乾貨

如轉載，請後臺留言，遵守轉載規範

相關焦點

  • 從機械工程師到機器學習工程師,我也是個數據科學家了
    也許你會說「好吧，這難道不是件好事嗎？我只需找出至少一種方法然後一直執行就可以了。」不完全是，你不能只想著與他人競爭，還需和諧相處，因為你相中的工具也許無法讓你與團隊合作。l 高學歷是必備的，至少能讓你的簡歷通過盲審。一項研究表明，數據科學家或機器學習工程師中只有不到30%的人沒有獲得碩士學位或博士學位。
  • 5個數據科學及機器學習YouTube頻道推薦（附B站連結）
    如果你是一個數據科學/機器學習愛好者，甚至是自學入門這個行業，那你一定看了很多教學視頻吧？今天給大家推薦5個油管主播，在數據科學領域，都是一等一的好手！通過這些視頻，你可以輕鬆學到數據科學、機器學習、人工智慧、深度學習等相關領域的專業知識，這些油管主播憑藉自身的硬實力，收穫了一大批粉絲，看過他們的教學視頻的人，大家都說好！
  • 數據科學家和工程師的「五誡」
    它引用「摩西十誡」的典故，提出了給數據處理者的五個「誡律」。我們一起來參考一下！從表面上看，數據科學與工程科學就像是天作之合——數據科學家為商業問題創造全新的解決方案，而他們的同行工程師負責構建網絡程序環境和集成來將這些「創造」變成現實。這種合作看起來是如此天衣無縫。 但事實上不幸的是，數據科學家和數據工程師之間現存的是一種普遍被認為脆弱的關係。
  • 如何自學成為數據科學家或AI工程師?你需要攻克這九點
    這個視頻介紹了編程和計算機科學，可以幫你過一遍計算機科學和編程中的重要概念：https://www.youtube.com/watch?v=zOjov-2OZ0E。熟練掌握一種程式語言數據科學家、人工智慧和機器學習工程師使用的語言多種多樣，其中最常用的語言是 Python、R、Java、Julia 和 SQL。
  • 亞馬遜機器學習工程師面試怎麼過?
    在本文中，我們將對亞馬遜機器學習工程師的面試過程作一番深入探討。機器學習工程師的職責亞馬遜的機器學習工程師們使用大量的數據為不同的客戶建立機器學習（ML）和深度學習（DL）模型。他們將與亞馬遜的專業服務顧問合作，全過程、全方位地參與ML/DL項目的開發和交付，並在此後幫助運行項目。
  • 會機器學習就夠了？下一代數據科學家群體走向「全棧」
    但霧裡看花始終看不清晰，人們總是認為數據科學背後有許多神秘的地方，覺得它不僅僅是機器學習和統計。多年來，我與許多專業人士討論過該如何進入數據科學領域。為什麼總有關於數據科學的炒作？能夠幫助人們走進這一領域的仍然是統計數據和機器學習嗎？未來也仍是如此嗎？
  • 五個給機器學習和數據科學入門者的學習建議
    但這一步也同樣適用於新手。花幾個月的時間學習 Python 編程和不同的機器學習概念。這兩部分知識你都會需要。在學習 Python 編程的同時，練習使用 Jupyter 和 Anaconda 等數據科學工具。花幾個小時來研究一下，它們是用來做什麼的以及為什麼要使用它們。
  • 你想成為數據科學家嗎?不要把機器學習當成入門第一課
    所以當我尋找學習數據科學的切入點時，也受其影響。這是我犯過的最大錯誤，也是本文重點：如果想要成為一名數據科學家，請不要從機器學習開始。顯然，要成為一名「真正全能」的數據科學家，最終必須掌握機器學習的概念。但你會驚訝於沒有它你能走多遠。為什麼不從機器學習開始呢？
  • 只懂機器學習就 OUT 了！下一代數據科學家得是「全棧型「
    然而，人們對於數據科學有很多誤解。這已經不僅僅是機器學習和統計學了。這些年來，我已經與許多有志於數據科學領域的人討論過要進入這個領域的想法。為什麼數據科學如此火爆？或者統計學和機器學習能幫助你進入這個領域嗎？它還會是未來嗎？即使我和你們都在同一條船上，但我現在正在體驗到，目前對於下一代數據科學家進入這一領域的需求是如何形成的。
  • 數據科學家和數據分析師的區別在哪兒？
    數據科學家和數據分析師的區別在哪兒？數據科學家和數據分析師在所用程式語言、平臺/工具，以及所解決的問題方面都有共同之處。雖然職位描述裡可能會同時列出兩者;但是，我猜你身邊的大多數人——比如機器學習工程師、數據工程師和軟體工程師——都不怎麼熟悉R。因此，要想成為一名更全面的數據科學家，Python應該更有用。　　2、SQL，SQL是你從事數據科學必備的技能。
  • 7個秘訣,帶你由數據分析師成長為數據科學家
    目前有很多數據科學家擁有博士學位，但這並不是鐵律。秘訣1：關注自身的能力而非背景作為一名數據科學家，經常要將困難、開放、定義模糊的問題一步步分解。這是讀碩士的3到6年間不斷培養的技能。但這種技能也可以從工作中鍛鍊。教機器前先自學數據分析師報告、總結並解釋過去和現在的信息，以為業務服務。這與數據科學家截然不同。
  • 2020年值得關注的20大機器學習和數據科學網站
    前往機器學習和數據科學世界的難忘冒險之地＃1 Reddit R / datascience & R / MachineLearning無論是對於專業人士還是業餘愛好者，Reddit都是在不同經驗水平的科學家和機器學習工程師之間共享信息的理想之地，或者只是有抱負的初學者。
  • 你知道機器學習、數據科學、人工智慧、深度學習和統計學的區別嘛
    Vincent Granville 明晰了數據科學家所具有的不同角色，以及數據科學與機器學習、深度學習、人工智慧、統計學、物聯網、運籌學和應用數學等相關領域的比較和重疊。Vincent Granville 明晰了數據科學家所具有的不同角色，以及數據科學與機器學習、深度學習、人工智慧、統計學、物聯網、運籌學和應用數學等相關領域的比較和重疊。
  • 求職|一份理想的數據科學家簡歷中要包括哪些技能?
    在本文中，我們對Indeed中一千份數據科學相關的招聘信息進行了分析，主要針對數據工程師、數據科學家和機器學習工程師這三個職位，希望能解答你的疑問。首先，讓我們來看看不同職位的技能要求。一、必備語言1. 目前Python處於主導地位關於數據科學中的首選語言，究竟是Python還是R曾有過爭論。
  • 2019年度最佳工作榜單出爐:機器學習工程師百萬年薪奪冠
    機器學習工程師是一個非常有前途的職位，大多數機器學習工程師已完成碩士學位或參加在線認證課程。人工智慧現在是發展最快的行業，已經滲透到各行各業中，比如一些傳統行業比如汽車和家庭音響系統。這一趨勢也體現在工作崗位上。
  • 機器學習崗位面試總結:簡歷應該關注的5個重點
    這是製作機器學習簡歷時要考慮的第一件事。計算機科學和數據結構機器學習使用大量數據集，因此必須掌握計算機科學和底層體系結構的基礎知識，還必須具備大數據分析和複雜數據結構方面的專業知識。 因此，這些領域的學位或正規課程是從事機器學習的職業所必須的。
  • 數據科學與機器學習畢業生該如何選？行業大佬親身經歷幫你解答
    在很大程度上，我認為這個職位有可能指的是軟體工程師、數據分析師、數據工程師和應用 / 研究科學家。我知道有不少朋友頂著相同的數據科學家頭銜，但在實際工作中他們的角色是上述四者之一。請看看下面我創建的圖表。在數據科學發展的早期，一名數據科學家的工作內容可能的確包含了這四個角色的職能。然而，如今的職位正變得越來越具體和細化，正如下圖所示。
  • 未來十年，機器學習工程師會消失嗎？
    現在在企業裡的AI和數據科學家被統稱為機器學習工程師，早些年，機器學習是個必要的角色。因為它確實能帶來一筆非常可觀的收入！但機器學習工程師也是因人而異的。一部分看重本質的人認為機器學習工程師經常會用到數據工程，還可以將模型帶出實驗室並可量化、擴大機器學習系統規模，理論工程化。ML工程師非常強大，幾乎了解所有的模型。但這感覺又有點像軟體工程師。
  • 身為一名數據科學家「過來人」,我為什麼更建議你去做軟體工程師
    數據科學的價值雖然有目共睹，但不是每個公司都有條件來實現數據驅動的商業願景，每個公司的數據基礎設施水平層次不齊，有些遠達不到數據科學家可以大展拳腳的水平。　　作為前數據科學家和現軟體工程師，作者給出了過來人的建議。讓我們聽聽他為什麼勸想做數據科學家的勇士不如去做軟體工程師。　　當有人問我如何進入數據科學領域時，我建議他們去做程式設計師。　　這只是我的個人觀點。
  • 成為數據科學家而應該了解的十種機器學習算法
    也就是說，沒有人可以否認這樣一個事實：作為實踐數據科學家，我們必須了解一些常見機器學習算法的基礎知識，這將有助於我們處理我們遇到的新域問題。這是常見機器學習算法的旋風之旅，以及有關它們的快速資源，可以幫助您開始使用它們。主成分分析（PCA）/ SVDPCA是一種無監督的方法，用於理解由向量組成的數據集的全局屬性。