谷歌首席决策科学家(Chief Decision Scientis)凯西柯兹科夫(Cassie Kozyrkov)在2018年非常高产，为大家写了非常多关于人工智能、大数据的文章。以下是他感觉她写过最优秀30篇文章，这些文章主要关注：数据科学和分析、人工智能、机器学习.... ...
当然，除了给出文章链接之外，她还对文章给出了总结性极强的“妙语”。 大数据开发，数据分析与挖掘，2019春节前预报名学费特惠活动，详情见加米谷大数据官网。
数据科学与分析
《数据科学究竟是什么?》：这篇文章快速介绍了数据科学、数据工程、统计学、分析学、机器学习和人工智能。
数据科学是使数据有用的学科。
https://towardsdatascience.com/data-science-conversation-starters-84affd2347f6
《伟大的数据分析师都在做什么?为什么每个组织机构都需要他们?》：这篇文章主要介绍：优秀的分析师是保证高效的数据工作的先决条件。不要低估他们，他们的离职对你来说是非常危险的。
https://hbr.org/2018/12/what-great-data-analysts-do-and-why-every-organization-needs-them
数据科学的三个支柱分别有各自的优点。统计学家保证严谨，机器学习工程师改善性能表现，分析师提供速度。
《哈佛商业评论中的秘密段落》是对《哈佛商业评论》补充的思考内容。里面的主题包括混合角色，研究的本质，蝙蝠信号，数据骗子和伟大分析师们!
企业家需要注意：现在有很多冒充数据科学家的数据骗子。遗憾的是，目前还没有十全十美的办法可以辨别数据骗子。
http://bit.ly/quaesita_bsides
《人工智能和数据科学的十大角色》：这篇文章介绍了不同的职位名称和它们对应的级别。
如果你的第一份工作的职称就是“研究员”，那么你公司的职称系统可能不是很完善。
https://hackernoon.com/top-10-roles-for-your-data-science-team-e7f05d90d961
机器学习/人工智能概念
《可能是你读过的最简单的机器学习知识介绍》的主旨是，机器学习是以实践用例为导向的，而不仅仅是文字说明。
机器学习是一种新的编程范式，一种将你的想法传达给电脑的方式。兴奋的是它可以使你将不可说的想法表达出来。
https://hackernoon.com/the-simplest-explanation-of-machine-learning-youll-ever-read-bebc0700047c
《你是不是用错了“人工智能”这个词?》：由于定义不明确，实际上我们都没有正确地使用“人工智能”这个词。这个词人人都在用，在本文中我提供了一份快速指南来介绍人工智能、机器学习、深度学习、强化学习和类人工智能。
如果你担心会不会每个橱柜里都潜伏着具拥有类似人类智慧的物种，放心吧，不会的，所有这些工业化的人工智能应用程序都在忙着解决真正的商业问题。
http://bit.ly/quaesita_ai
《向孩子(或老板)解释监督学习》：希望让所有人都熟悉一些基本术语，例如：实例、标签、特性、模型、算法和监督学习。
不要被术语吓倒。例如，“模型”其实只是“菜谱”的比较花哨的说法。
http://bit.ly/quaesita_slkid
网友评论