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

2020-12-14 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

  • 成為數據科學家、人工智慧和機器學習工程師的自學之路
    v=zOjov-2OZ0E熟練使用一種程式語言如今，數據科學家，人工智慧和機器學習工程師使用多種語言來完成工作，其中最常用的語言是Python，R，Java，Julia和SQL。也可以使用許多其他語言，但出於多種原因，我列出的語言是最常用的語言：如果你有足夠的學習時間並能堅持，那麼它們很容易學會並且可以快速用於開發；它們使你可以用更少的代碼做更多的事情；它們有一個良好而穩固的技術社區，可以在遇到任何問題時為你提供幫助和支持；他們擁有你作為數據科學家，人工智慧或機器學習工程師所需的幾乎所有庫和軟體包
  • 機器學習、數據挖掘和自然語言處理,機器學習工程師和數據科學家最應該讀的16本書
    、數據工程師或機器學習研究者，面對市面上各種各樣的相關書籍一定會感覺難以取捨。一份好的書單不僅能提升你的學習和工作效率，還能為你節省進修成本。 日前，數據服務提供商 AI Optify 通過通過網絡書評、書中的主題覆蓋、作者的行業影響力、價格等因素對機器學習、數據挖掘和自然語言處理領域的 100 多本書進行了綜合評測，並根據最終計算出的品質得分選出了其中 16 本得分最高的書（英文版價格來自亞馬遜，中文版價格來自豆瓣讀書）。所以這是一份數據驅動的客觀書單，希望你能喜歡。
  • 圖解:數據科學家、數據工程師和軟體工程師之間的區別
    對於新手，也可以通過這張圖來看典型的「數據科學家」、「數據工程師」和「軟體工程師」都要掌握哪些工具。Jake Stein：隨著數據的爆炸式增長，對數據處理的專家技能需求也隨之井噴。這帶來的結果之一，是更精細的分工。對於數據管理工作的核心角色：數據科學家、數據工程師和軟體工程師，過去幾年見證了他們越來越清晰的定位。
  • 分析1400家公司後發現:數據工程師比數據科學家更受歡迎
    數據工程師，數據工程師通常需要開發出一套魯棒性高，擴展性強的數據處理工具或者平臺。他們必須熟悉SQL，NoSQL資料庫的使用和ETL管道的部署和維護。機器學習ML工程師，機器學習工程師通常需要負責訓練模型和交付模型。
  • 一文告訴你「數據科學家」和「數據工程師」的區別
    Indeed 和 Glassdoor 招聘網分析報告顯示，數據工程師相關崗位的平均年薪接近 10 萬美元，崗位空缺是數據科學家的 5 倍。很多公司都找不到足夠的數據工程師來處理與日俱增的數據。但隨著時代的發展，各種新技術和產品的出現，數據工程師這個角色也發生了較大的變化。
  • 如何自學成為數據科學家或AI工程師?你需要攻克這九點
    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。擁有數據科學家、人工智慧或機器學習工程師所需要的幾乎所有庫和軟體包。開源且免費使用。學習多種語言絕對沒錯，事實上這是一件很好的事。然而，在學習每一門程式語言時，你需要慢慢來，儘量不要同時學習多種語言，因為這可能會讓你感到困惑，並讓你在一段時間內迷失方向。
  • 如何成為數據科學家?這12個機器學習算法你應該知道
    記得看完點個讚數據科學家的定義數據科學(Data Science)是從數據中提取知識的研究，關鍵是科學。數據科學集成了多種領域的不同元素，包括信號處理，數學，概率模型技術和理論，機器學習，計算機編程，統計學，數據工程，模式識別和學習，可視化，不確定性建模，數據倉庫，以及從數據中析取規律和產品的高性能計算。數據科學並不局限於大數據，但是數據量的擴大誠然使得數據科學的地位越發重要。數據科學的從業者被稱為數據科學家。數據科學家通過精深的專業知識在某些科學學科解決複雜的數據問題。
  • 五個給機器學習和數據科學入門者的學習建議
    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。學習資源人工智慧要素 (https://www.elementsofai.com/)—人工智慧和機器學習主要概念概述。
  • 作為一名數據科學家,必須要會使用SQL嗎?
    作為一名數據科學家，你使用什麼方法？你還有其它方法嗎？數據科學家必須要會使用SQL嗎？本文將討論SQL在數據科學中的作用，以及結構化查詢語言（SQL）的替代方法。SQL是否需要了解SQL具體取決於個人所屬公司和數據科學團隊。
  • 數據科學家含金量最高的5個數據科學認證,先馬後看!
    儘管關於這個話題的文章不計其數，但文本作者想要找尋那種為大部分數據科學家所用而又有特色的工具及其認證。這些認證有的是免費的，有的比較便宜，但都值得嘗試。不過，這還是要取決於你在數據科學領域的關注重點和發展方向。
  • 數據科學家VS數據工程師,真的是一山不容二虎?
    這些被處理過的數據可用被進一步運用於複雜的分析程序、機器學習和統計方法，從而預測和規範建模。當然，要構建模型，他們需要做研究行業和業務現狀，他們需要利用來自內部和外部的大量數據來應答業務需求。有時這也涉及探索和檢查數據以找到隱藏模式。 一旦數據科學家完成了分析，他們需要向相關業務人員提供一個清晰的方案。
  • 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？
  • 數據科學家和數據工程師之間到底有什麼區別?
    人們提出的最常見問題是數據科學家和數據工程師之間到底有什麼差別。因此，有關這一問題，我們會在這篇文章中深入討論。更多優質內容請關注微信公眾號「AI 前線」（ID：ai-front） 有很多數據專家的崗位，聽起來差不多，用的工具也差不多，很難搞清楚到底每個崗位需要做什麼工作。
  • 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。機器學習工程師使用的語言更加多樣化Python是機器學習工程師的首選語言，這並不令人驚訝。機器學習工程師需要從頭開始實現算法，並在大數據環境中部署ML模型，因此C ++和Scala等相關語言也很重要。總的來說，機器學習工程師使用的語言更加多樣化。
  • 用於數據科學和機器學習的Python編程
    這是因為其廣泛和成熟的數學和統計庫集合，可擴展性，易用性以及科學界的廣泛採用。因此，Python已成為機器學習系統開發的推薦程式語言。數據科學數據科學將先進的計算和存儲技術與數據表示和轉換算法以及科學方法相結合，為包含任何格式的原始數據和結構化數據的各種複雜數據分析問題開發解決方案。
  • IBM 招聘數據科學家,看重的是哪些技能和特質?
    第一步是區分真正的數據科學家和從事相關工作的其他專業人員（例如數據工程師，業務分析師和 A I應用開發人員）。為了做這個區分，我們首先定義數據科學的含義。數據科學的核心是運用科學的方法來解決商業問題。你可以進一步擴展定義，使用人工智慧來解決這些業務問題，進行預測，並優化流程。
  • 2019年度最佳工作榜單出爐:機器學習工程師百萬年薪奪冠
    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。Indeed去年發布另一份榜單「需要AI技能的職位」十大排名：上表的前三名：機器學習工程師、數據科學家、計算機視覺工程師也進入了Indeed2019年最佳工作榜單。
  • 數據科學家超級明星必備的12個技能
    Apache Spark的優勢在於其速度和平臺，這使得執行數據科學項目變得容易。使用Apache Spark，你可以進行從數據獲取到分布式計算的分析。 6.機器學習與人工智慧 很多數據科學家並不精通機器學習領域和技術。這包括神經網絡，強化學習，對抗學習等。
  • 你為什麼想成為機器學習工程師?是因為熱情還是熱度?
    · 1952: 亞瑟·塞繆爾用一臺IBM 計算機研究和發展棋盤遊戲，發明了首個計算機學習程序。· 2006:傑弗裡·辛頓詮釋了讓計算機在圖像和視頻中「查看」和區分對象和文本的新算法，「深度學習」這一術語也應運而生。· 2012: 通過瀏覽油管識別其中有貓的視頻，Google’s X Lab 成為最大的貓咪追蹤器。
  • 區別於數據科學:構建機器學習工程平臺意味著什麼?
    我們在Cortex上的研究代表了過去一年來加速趨勢的一部分，即機器學習工程生態系統的發展。公司僱傭機器學習工程師的速度比以往任何時候都要快，發布的項目也越來越好。這讓我們感到很興奮。但有一個問題仍然時常出現：「什麼是機器學習工程？」本文將帶你找到答案，以及為機器學習工程師構建一個平臺意味著什麼。