Artículos recomendados para científicos de datos: DataViz, aprendizaje automático, NLP, aprendizaje profundo
1. ¿Qué hace que los datos ambientales sean útiles?
Las mejoras en la tecnología y el procesamiento de datos ahora permiten que los individuos controlen los efectos de la contaminación del aire. Sin embargo, esta singularización radical plantea desafíos para una acción comunitaria de base amplia (Impact of Social Sciences).
2. Cómo detectar gráficos engañosos (checklist)
Explora una lista de verificación (checklist) completa para detectar gráficos engañosos, lo que permite una toma de decisiones informada y segura basada en: la fuente, el tipo de gráfico, los ejes y el mensaje (Tableau Blog).
3. Desigualdad de oportunidades educativas: Medición y resultados empíricos
En este artículo se muestra que las técnicas de ML pueden superar a este enfoque tradicional en la estimación de la desigualdad de oportunidades (DOp) en el ámbito educativo. En particular, los autores encontraron que los métodos de ML proporcionan estimaciones de la DOp más altas, lo que sugiere que estos métodos pueden proporcionar una visión más detallada y precisa de la desigualdad (Nada es Gratis).
4. Procesamiento Natural del Lenguaje
Aquí les dejo dos post de Regenerative para poner en práctica el NLP:
5. Millones de nuevos materiales descubiertos con aprendizaje profundo
Recientemente, en un artículo publicado en Nature, el equipo de Google compartió el descubrimiento de 2,2 millones de nuevos cristales, lo que equivale a casi 800 años de conocimiento. Presentando Graph Networks for Materials Exploration (GNoME), una nueva herramienta de aprendizaje profundo de Google que aumenta drásticamente la velocidad y la eficiencia del descubrimiento al predecir la estabilidad de nuevos materiales (Google DeepMind).
Hasta aquí el post del día de hoy y recuerda que puedes seguirme en Twitter y mantenerte informado de lo último de ciencia, tecnología e innovación en el mundo de la economía y las finanzas.
Comentarios