Per imparare davvero un nuovo argomento, prenditi il tuo tempo.

Take your time to truly learn a new subject.

In una cultura che valorizza la velocità sopra ogni altra cosa – “muoviti velocemente e rompi le cose” – è una buona idea ricordare che a volte, rallentare è la scorciatoia più efficace. Questo è particolarmente vero quando si esplorano idee complesse, qualcosa che i professionisti della scienza dei dati e dell’apprendimento automatico devono fare più o meno quotidianamente.

Abbiamo appena segnato il giorno più lungo dell’anno qui nell’emisfero nord, quindi abbiamo pensato che non ci sia momento migliore per celebrare alcuni dei nostri approfondimenti più lunghi e meglio eseguiti. Che si tratti di affrontare un concetto teorico spinoso o di guidarci attraverso uno strumento o un flusso di lavoro all’avanguardia, sono il tipo di articoli che ci richiedono di mettere in pausa, pensare, digerire e ci ricompensano con nuove e durature intuizioni. Buona lettura!

• Le preoccupazioni etiche e normative riguardanti le informazioni personali sulla salute (PHI) rendono estremamente complicato il trattamento delle immagini mediche. Adrienne Kline condivide una panoramica dettagliata di uno strumento open-source che fornisce un “protocollo robusto” intorno alla “de-identificazione, isolamento delle informazioni pertinenti del paziente, identificazione dell’ROI [regione di interesse] e compressione dei file di immagini mediche”.
• Come sono strutturate le nostre aspettative e cosa hanno a che fare con il ragionamento statistico? L’ultimo lavoro di Sachin Date è una guida affascinante e paziente ai fondamenti teorici del concetto di aspettativa: inizia su una traversata agitata della Manica e termina con la matematica dietro la funzione d’onda quantistica.
• Gli articoli di Reza Bagheri tendono ad essere risorse one-stop che i lettori segnalibro e consultano più volte. Sospettiamo che il nuovo approfondimento di Reza, sugli autoencoder e il loro ruolo nella riduzione della dimensionalità, non farà eccezione, in quanto copre sia gli elementi teorici essenziali che l’implementazione PyTorch di autoencoder lineari e non lineari.

• Per un’introduzione amichevole per i principianti al lavoro con PyTorch, il tutorial di Leonie Monigatti sulla classificazione delle immagini è una scelta eccellente. È completo e chiaro e, sebbene gli esempi utilizzati qui siano immagini di grandi felini, è facilmente adattabile a progetti di classificazione più comuni nel mondo reale.
• La sfida di ordinare montagne di dati e individuare rapidamente le informazioni giuste è una situazione familiare in ogni organizzazione in crescita. La guida introduttiva di Janna Lipenkova su Text2SQL presenta un quadro innovativo che combina l’accessibilità di grandi modelli di linguaggio con la potenza di interrogazione di SQL.
• Per concludere la nostra selezione con una nota particolarmente riflessiva, vi lasciamo con il pezzo di Andre Ye sulla struttura fondamentale e il funzionamento interno degli algoritmi. Si concentra su una delle domande più stimolanti (e importanti) che le persone che lavorano con i dati dovrebbero riflettere: cosa significa “apprendimento” per una macchina?

Grazie per il supporto ai nostri autori! Se ti piacciono gli articoli che leggi su TDS, considera di diventare un membro di Nisoo: sblocca l’intero archivio (e ogni altro post su Nisoo, troppo).

Fino alla prossima Variabile,

• Utilizzo di Plotly 3D Surface Plots per visualizzare le superfici geologiche.
• (Note H1B Visa is a technical term and generally not translated in Italian)
• Come appare la descrizione del lavoro di un analista dei dati?

Editori di TDS