Data Science at Home

268 Epizód

1. What happens to data transfer after Schrems II? (Ep. 131)

   Közzétéve: 2020. 12. 04.
2. Test-First Machine Learning [RB] (Ep. 130)

   Közzétéve: 2020. 12. 01.
3. Similarity in Machine Learning (Ep. 129)

   Közzétéve: 2020. 11. 24.
4. Distill data and train faster, better, cheaper (Ep. 128)

   Közzétéve: 2020. 11. 17.
5. Machine Learning in Rust: Amadeus with Alec Mocatta [RB] (ep. 127)

   Közzétéve: 2020. 11. 11.
6. Top-3 ways to put machine learning models into production (Ep. 126)

   Közzétéve: 2020. 11. 07.
7. Remove noise from data with deep learning (Ep.125)

   Közzétéve: 2020. 11. 03.
8. What is contrastive learning and why it is so powerful? (Ep. 124)

   Közzétéve: 2020. 10. 30.
9. Neural search (Ep. 123)

   Közzétéve: 2020. 10. 23.
10. Let's talk about federated learning (Ep. 122)

    Közzétéve: 2020. 10. 18.
11. How to test machine learning in production (Ep. 121)

    Közzétéve: 2020. 10. 11.
12. Why synthetic data cannot boost machine learning (Ep. 120)

    Közzétéve: 2020. 09. 26.
13. Machine learning in production: best practices [LIVE from twitch.tv]

    Közzétéve: 2020. 09. 16.
14. Testing in machine learning: checking deeplearning models (Ep. 118)

    Közzétéve: 2020. 09. 04.
15. Testing in machine learning: generating tests and data (Ep. 117)

    Közzétéve: 2020. 08. 29.
16. Why you care about homomorphic encryption (Ep. 116)

    Közzétéve: 2020. 08. 12.
17. Test-First machine learning (Ep. 115)

    Közzétéve: 2020. 08. 03.
18. GPT-3 cannot code (and never will) (Ep. 114)

    Közzétéve: 2020. 07. 26.
19. Make Stochastic Gradient Descent Fast Again (Ep. 113)

    Közzétéve: 2020. 07. 22.
20. What data transformation library should I use? Pandas vs Dask vs Ray vs Modin vs Rapids (Ep. 112)

    Közzétéve: 2020. 07. 19.