Towards Data Science

131 Epizód

1. 51. Adrien Treuille and Tim Conkling - Streamlit Is All You Need

   Közzétéve: 2020. 09. 16.
2. 50. Ken Jee - Building your brand in data science

   Közzétéve: 2020. 09. 09.
3. 49. Catherine Zhou - The data science of learning

   Közzétéve: 2020. 09. 02.
4. 48. Emmanuel Ameisen - Beyond the jupyter notebook: how to build data science products

   Közzétéve: 2020. 08. 26.
5. 47. Goku Mohandas - Industry research and how to show off your projects

   Közzétéve: 2020. 08. 19.
6. 46. Ihab Ilyas - Data cleaning is finally being automated

   Közzétéve: 2020. 08. 12.
7. 45. Kenny Ning - Is data science merging with data engineering?

   Közzétéve: 2020. 08. 05.
8. 44. Jakob Foerster - Multi-agent reinforcement learning and the future of AI

   Közzétéve: 2020. 07. 29.
9. 43. Ian Scott - Data science at Deloitte

   Közzétéve: 2020. 07. 22.
10. 42. Will Grathwohl - Energy-based models and the future of generative algorithms

    Közzétéve: 2020. 07. 15.
11. 41. Solmaz Shahalizadeh - Data science in high-growth companies

    Közzétéve: 2020. 07. 08.
12. 40. David Meza - Data science at NASA

    Közzétéve: 2020. 07. 01.
13. 39. Nick Pogrebnyakov - Data science at Reuters, and the remote work after the coronavirus

    Közzétéve: 2020. 06. 24.
14. 38. Matthew Stewart - Data privacy and machine learning in environmental science

    Közzétéve: 2020. 06. 17.
15. 37. Sean Knapp - The brave new world of data engineering

    Közzétéve: 2020. 06. 10.
16. 36. Max Welling - The future of machine learning

    Közzétéve: 2020. 06. 03.
17. 35. Rubén Harris - Learning and looking for jobs in quarantine

    Közzétéve: 2020. 05. 27.
18. 34. Denise Gosnell and Matthias Broecheler - You should really learn about graph databases. Here’s why.

    Közzétéve: 2020. 05. 20.
19. 33. Roland Memisevic - Machines that can see and hear

    Közzétéve: 2020. 05. 13.
20. 32. Bahador Khalegi - Explainable AI and AI interpretability

    Közzétéve: 2020. 05. 06.