数据科学 – 第22页小小书 XXshu

班加罗尔道路上的交通状况如何？

上面是一个交互式地图，因此将鼠标悬停以查看病房并放大以查找特定位置的车辆速度。一些速度相对较高的区域：老马德拉斯路/班加罗尔-蒂鲁伯蒂公路沙加布尔路外环路的某些部分 Anekal主路等事态的明智分配发生事故时车辆的速度数据集中可用的速度数据是警报生成时公共汽车记录的速度，而不是班加罗尔道路上车辆/公共汽车的整体速度。记录的最高速度为83 kmph，但是平均速度仅为22 kmph。日期和时间该月的第19天达到峰值，但这可能是噪音。就一天中的时间而言，清晨（早上7点）和下午（下午3点）似乎并不是旅行的最佳时间。但是，请记住，数据集仅包含一天中12个小时的数据。因此，我们看不到高峰时段的情况。

关于出版的未来

David Boyle领导了一些全球最大的电视，音乐和印刷发行商的分析计划。从政治活动的工作到音乐唱片公司EMI，再到HarperCollins，以及在BBC的现任职务中，David不仅因对分析系统的深刻理解和对新兴技术的探索而脱颖而出，而且由于其教学和获胜的能力而脱颖而出。他的执行同事，使他的见识导致结果。在2月份在Pandemonio进行演讲之前，我们请David就总体出版的未来以及该行业是否可以自救的想法发表看法。 P andemonio：图书出版业会重塑自己吗？戴维·博伊尔：不，不是从内部来的。当我被告知数字化破坏不会像预期的那样严重时，我的心在行业内的第一次会议上感到沮丧-印刷销售像电子书价格一样坚挺，而Kindle的销售却在放缓。可以肯定的是，从那一刻起，人们对甚至简单，便宜，行之有效的机会做出数据驱动决策的兴趣都大大降低了。对于大多数业内人士而言，出版是一项繁重的工作，他们撤回使用“技能和判断力”，而没有任何分析，平衡或分析的灵感。他们预见到了数字危机，这让我受雇并给了我任务，但是当危机在他们眼前消失时，它使我无所适从，我将继续领导变革。这与音乐业务或电视业务不同，在音乐业务或电视业务中，数字化带来的破坏对相关人员而言更为明显。在这两种方法中，我什至都认为最有创造力和数据最少的人也通过数据驱动的决策制定所提供的新功能来拥抱变革。因此，对于出版而言，我认为更有趣的问题是：从大型出版社之外可以进行哪些转型？显然，亚马逊已经导致了消费方面的混乱，因此离开了创作方面。技术如何绕过发行商来帮助作者创作出色的作品？ P…

选择开源机器学习库：TensorFlow，Theano，Torch，scikit-learn，Caffe

从医疗保健和安全性到营销个性化，尽管处于开发的早期阶段，机器学习一直在改变我们使用技术解决业务挑战和日常任务的方式。这种潜力促使公司开始将机器学习视为一个相关的机遇，而不是遥不可及的美德。我们已经讨论过将机器学习作为您的ML项目的服务工具。但是，现在让我们看一下免费的开源软件，该软件可以使每个人都参加机器学习培训，而无需花费时间和资源来支持基础架构。术语“ 开源软件”是指带有可通过Internet免费获得的源代码的工具。专有（封闭源）软件代码是私有的，并通过许可的权利进行分发。对于刚刚开始执行ML计划的企业，在决定使用Microsoft Azure或Amazon Machine Learning之类的企业级工具之前，使用开源工具可以是一种免费实践数据科学的好方法。使用开源工具的好处不仅仅在于可用性。通常，此类项目拥有大量的数据工程师和数据科学家，他们渴望共享数据集和预先训练的模型。例如，您可以使用对ImageNet数据进行训练的分类模型，也可以使用此数据集构建自己的模型，而不是从头开始构建图像识别。开源ML工具还可以让您利用转移学习，意思是应用从相关或什至遥远的领域解决问题后获得的知识来解决机器学习问题。因此，您可以将一些能力从已经学会识别汽车的模型转移到旨在识别卡车的模型。…

讲故事的秘诀-数据可视化

故事很重要，带有数据的故事功能强大，带有故事的数据更美味 ♥好吧，我梦想成为一名小提琴手，但进入传播学院学习新闻专业的大学，并最终获得了数学系的统计学位（信任我重新组织（黑客入侵）您的大学是值得探索的东西）。回顾过去，新闻培训是我最有价值的旅程之一，在这里我可以学到一些有关人，人类，观察，提出问题以及讲好故事（特别是技术讲故事）的知识。为什么数据可视化可以更好地讲故事？人类天生就是视觉感知的解释信息这不仅仅是一个故事-我们无法解决看不见的问题可视化只是澄清大量信息的有力武器如果我们看看数据如何像空气和水一样与我们一起生活，这份清单将永远存在。几年前，可视化可能是一种很好的技能，可以用来理解我们所面临的大量信息。今天，数据已成为许多领域的主要力量。没有另一层的抽象，我们可能无法理解一些困惑的问题。简单而困难，还有更深的道理。有更深的道理一本名为《知识幻觉》的书对我学习和进行数据可视化的思考方式产生了巨大影响。 “我们的智慧不在于个人的大脑，而在于集体的思想。要发挥作用，个人不仅依赖于存储在我们头骨中的知识，还依赖于存储在其他位置（在我们的身体，环境中，尤其是在其他人中）的知识。…

翻译中丢失了…

翻译中丢失了… 有没有人要听我的故事所有关于数据和ML的信息？我上一次学习数学是在1995年，当时我是14岁的白俄罗斯音乐学校的学生。我确定我永远不需要它作为音乐家。 23年后，当我踏上数据科学之旅时，我对理解深入的高级数学概念没有任何幻想。曾经是外国的，现在仍然是外国。作为一名音乐家，演员和编剧，我一生都在教给我很多有关讲故事的知识，从俄语到英语，从乐谱到声音，从剧本到动作，都采用了这些故事。就像蜜蜂将一朵花的花蜜变成蜂蜜，并使其通过自己。昨晚我意识到，“数据语言”是我的第八种语言。难怪我的大脑在爆炸。我知道俄语，英语，白俄罗斯语，音乐理论（读写音乐基本上是IS编码），声音语言，肢体语言（这也是一种语言，尤其是如果您知道如何使用它的话），当然还有Python。随着数据科学成为每个办公室的常用术语，我比以往任何时候都感到世界需要翻译和说故事的人。人。他们可以读取数据，理解数据，通过自己，通过他们的经验，知识，热情将其传递给简单，有趣甚至鼓舞人心的故事，并将其带入现实世界。可以充当工程师与销售人员，科学家与投资者之间桥梁的人们，可以使用数学，统计和机器学习进行预测的人们，以及做出影响大量资金的商业决策的人们。通常，由于缺少正确的单词而无法用英语表达自己时，我常常用双手来形容对象。…

书评：数学毁灭武器

《数学毁灭性武器》（WMD）是一本有关大数据分析中的道德与偏见的书。由于数据科学和机器学习已在我们的现代社会中变得越来越重要和普遍，因此如果您对如何在后台处理数据感到好奇，那么这是一本好书。这本书让我看到了大规模杀伤性武器模型如何在社会中使用，它们如何有害以及可以采取哪些措施来防止其危害。在阅读本文之前，我还不了解WMD的重要性和影响，以及这些模型通常如何在主流知识中隐藏。令人震惊的是，即使不是出于伤害目的而制造大规模杀伤性武器，它们仍然会产生讨厌的副作用。目前，日常使用的消费者通常看不到如何创建和使用WMD模型的信息，但这不应该成为标准。我现在意识到质疑我的权利和获取这些信息的重要性。我也开始问自己，我如何使用媒体保持最新状态。我不是看电视或关注新闻的人，因此可以在Facebook feed上获取世界动态。我知道Facebook使用算法向我展示我喜欢并可能感兴趣的事物，但是我从未考虑过这样做，Facebook还可以塑造我的想法和观点。我上高中的历史老师一直强调使用OPVL（来源，目的，价值，局限性）在解释我自己的观点之前了解信息来源的重要性。但是，在Facebook上，我从来没有真正质疑过我的消息来源，因为新闻是我的朋友向我推荐的，因此值得信赖，对吗？为了使我的信息流多样化，我现在浏览不同的新闻来源和社交媒体。

我作为数据科学家的旅程– Goodenough –中

我作为数据科学家的旅程 Ben Konfrst在Unsplash上拍摄的照片我担任数据科学家一职已有1.5年，并希望与大家分享我的一般经验和学习经验。首先让我简要介绍一下我的背景。直到我进入数据科学领域之前，我的职业生涯都是非技术性的（是的，您没听错！！）。我在计算机科学系读本科，然后在SAP技术系工作，在管理信息系统专业获得了硕士学位，在那里我学习并建立了与数据分析相关的项目，这有助于我抓住这个机会。在我看来，数据科学是许多小型专业领域的结合： · 通用软件开发：用于算法的商业化 · 机器学习建模算法：用于识别正确的方法并设计定制的算法 · 数学（线性代数，统计）：了解研究论文以及各种建模方法和诸如Python，R MATLAB等语言中使用的内置方法背后的数学…

如何提出情感智能内容推荐

其他潜在的下降原因是过于依赖算法-例如，向所有访问者推荐相同的“最受欢迎”内容只会增加并加强该内容的受欢迎程度，并使系统无法向其他特定受众推广其他相关内容。通过过多地关注大数据定位或标记计划，推荐系统对情感视而不见，而对于用户而言，什么才是真正的最佳体验。我们如何才能使建议在情感上更明智？做出基于内容的更准确建议的过程包括识别内容的情感属性，以创建更强大的标记策略。内容策略师迈克尔·安德鲁斯（Michael Andrews）提出了一个简单的框架，该框架有助于根据内容体验而非内容主题对内容进行分类，这为基于内容的过滤增加了另一个维度。首先，确定普遍感兴趣的内容-即使观众没有专门搜索，他们也会发现有趣的内容。 2.然后，确定内容的质量并标记内容。超越您的品牌声音/样式指南，并考虑以下事项：您的内容最有特色的是什么？观众最关注什么？ 3.设置您的推荐引擎。 4.监视性能并进行调整。通过定义标记策略并在内容中添加有用的标记来预先加载工作，对于推荐引擎而言，提出相关建议并不容易。更好的元数据=更好的建议让我们更深入地研究如何使用元数据标签来描述您的内容体验，以及如何根据多种独特的品质来表征内容，这一概念被称为内容吸引者。 “内容吸引者是您的内容质量，可以引起某些受众的共鸣。它可能是您谈论某个主题的方法，或者是您的观点。…

数据工程师和数据科学家之间有什么区别

本·罗戈扬（Ben Rogojan）我们最近在Reddit上进行了AMA。出现的最常见问题是数据科学家和数据工程师之间的区别是什么。因此，我们希望对此主题做更深入的介绍。很多数据专家职位听起来相似并且使用相似的工具，因此可能很难知道每个角色应该扮演什么角色。此外，较小的公司可能会限制他们可以雇用多少数据工程师或数据科学家。这意味着许多特定的任务和目标可能开始相互融合。这将使区分两个角色变得更加困难。因此，我们希望通过讨论数据工程师和数据科学家拥有的不同目标，思维方式，工具和背景，来探讨这两个职位的不同之处。在探讨差异之前，我们想做一个简短的序言。事实是，许多数据科学家和数据工程师将执行其他技术角色的任务。数据科学家可能需要开发ETL，数据工程师可能需要开发API和前端。因此，我们在下面指出的区别只是为了明确技术差异在哪里。通过DataCamp 目标数据工程师的目标更多是任务和开发。数据工程师构建自动化系统并建模数据结构，以使数据得到有效处理。…

惊人的数据科学出版物

来源：https：//cdn.technologynetworks.com/tn/images/thumbnails/rectangle/data-visualization-innovations-in-life-sciences-and-drug-discovery-296360.png 这是有关由Data Science Library提供给您的，在Medium上可以找到的最佳Data Science出版物的免费指南！在Twitter上@DataSciLibrary关注我们，并在Facebook上查看我们的母俱乐部DubsTech！通用数据科学主题数据科学领域涉及很多内容，因此查看这些博客可能比直接投入更专业的博客要容易得多！它们通过使数据科学概念扎根于更易理解的现实问题中，从而使它们成为透视图。走向数据科学共享概念，想法和代码。 endingdatascience.com 学习数据科学一次将数据科学拆包 blog.exploratory.io 应用数据科学前沿数据科学新闻和项目 medium.com…