Linear Digressions

289 Epizód

1. Network effects re-release: when the power of a public health measure lies in widespread adoption

   Közzétéve: 2020. 03. 15.
2. Causal inference when you can't experiment: difference-in-differences and synthetic controls

   Közzétéve: 2020. 03. 09.
3. Better know a distribution: the Poisson distribution

   Közzétéve: 2020. 03. 02.
4. The Lottery Ticket Hypothesis

   Közzétéve: 2020. 02. 23.
5. Interesting technical issues prompted by GDPR and data privacy concerns

   Közzétéve: 2020. 02. 17.
6. Thinking of data science initiatives as innovation initiatives

   Közzétéve: 2020. 02. 10.
7. Building a curriculum for educating data scientists: Interview with Prof. Xiao-Li Meng

   Közzétéve: 2020. 02. 02.
8. Running experiments when there are network effects

   Közzétéve: 2020. 01. 27.
9. Zeroing in on what makes adversarial examples possible

   Közzétéve: 2020. 01. 20.
10. Unsupervised Dimensionality Reduction: UMAP vs t-SNE

    Közzétéve: 2020. 01. 13.
11. Data scientists: beware of simple metrics

    Közzétéve: 2020. 01. 05.
12. Communicating data science, from academia to industry

    Közzétéve: 2019. 12. 30.
13. Optimizing for the short-term vs. the long-term

    Közzétéve: 2019. 12. 23.
14. Interview with Prof. Andrew Lo, on using data science to inform complex business decisions

    Közzétéve: 2019. 12. 16.
15. Using machine learning to predict drug approvals

    Közzétéve: 2019. 12. 08.
16. Facial recognition, society, and the law

    Közzétéve: 2019. 12. 02.
17. Lessons learned from doing data science, at scale, in industry

    Közzétéve: 2019. 11. 25.
18. Varsity A/B Testing

    Közzétéve: 2019. 11. 18.
19. The Care and Feeding of Data Scientists: Growing Careers

    Közzétéve: 2019. 11. 11.
20. The Care and Feeding of Data Scientists: Recruiting and Hiring Data Scientists

    Közzétéve: 2019. 11. 04.