Data science is een van de snelst bewegende sectoren die er zijn. Er verschijnen dagelijks nieuwe onderzoeksartikelen, pakketten, tutorials en technologieën, waardoor het soms lastig is om alles bij te houden. Voor elke data practitioner is bijblijven met het laatste in data science belangrijk om te blijven leren en groeien. In dit artikel vind je een overzicht van al het recente nieuws, tutorials, onderzoek en inzichten die je afgelopen maand misschien hebt gemist.
Nieuw uitgebrachte tutorials
Twee manieren om aangepaste transformers te maken met scikit-learn
Deze Towards Data Science-blogpost behandelt een vrij eenvoudige tutorial over hoe je een aangepaste transformer kunt maken met scikit-learn. Scikit-learn is een van de meest gebruikte pakketten in data science, en waarschijnlijk het populairste machinelearning-pakket. Het biedt tal van preprocessing-functionaliteit zoals One-Hot Encoding, MinMax-scaling en meer. Soms is het echter nodig om aangepaste preprocessing-functies te gebruiken in plaats van kant-en-klare zoals One-Hot Encoder. Deze tutorial leert je hoe je aangepaste transformers in scikit-learn maakt om datapreprocessing voor machine learning te stroomlijnen.
MLOps in BigQuery ML met Vertex AI
Het afgelopen jaar hebben bigtech-bedrijven grote stappen gezet op het gebied van MLOps. Het in productie brengen van machinelearningmodellen is vandaag een van de grootste uitdagingen voor datateams. Deze video biedt een snelle tutorial over hoe je Google Cloud’s Vertex AI en BigQuery ML samen kunt gebruiken om een productieklare Vertex AI-pijplijn te bouwen.
DataCamp’s nieuwe Power BI-tutorials
Met de lancering van de nieuwe Data Analyst in Power BI Track in samenwerking met Microsoft, heeft DataCamp de afgelopen maand een aantal tutorials over Power BI uitgebracht. Power BI is een van de meest gebruikte business intelligence-tools, en als je bedrijf Microsoft Office gebruikt, is de kans groot dat je er al toegang toe hebt. Het is ook een prima vervolgstap voor iedereen die verder wil dan Excel en dieper in de wereld van data wil duiken. Deze tutorials bestrijken het hele spectrum van werken met Power BI, van Overstappen van Excel naar Power BI, tot een uitgebreidere tutorial Power BI voor beginners, Datamodellering in Power BI, en een tutorial over Power BI’s DAX-formules voor beginners. Je kunt ook deze handige cheatsheet downloaden voor onderweg tijdens je leertraject.
Banenbrekend machinelearningonderzoek
DALLE-2 van OpenAI
Afgelopen maand verbaasde OpenAI de wereld met het DALLE-2-algoritme voor beeldgeneratie. OpenAI heeft dit nieuwe machinelearningmodel getraind om fotorealistische afbeeldingen en kunst te maken op basis van eenvoudige natuurlijke tekstinvoer. DALLE-2, de opvolger van DALLE-1, behaalt een hoog niveau van fotorealisme via een proces genaamd “diffusion”, waarbij een patroon van willekeurige stippen geleidelijk wordt aangepast tot een afbeelding die het uit de tekst herkent. Je kunt er hier over lezen, en bekijk hoe Isabella Leslie Miller, DataCamp’s datajournalist, het uiteenzet in onze Weekly Roundup-nieuwsvideo.
Pathways Language Model (PaLM)
PaLM toont het eerste grootschalige gebruik van het Pathways-systeem. De Pathways-systeemarchitectuur werd vorig jaar door Google geïntroduceerd om efficiënt een nieuwe generatie modellen te trainen die uiteenlopende taken in verschillende domeinen aankunnen. Met PaLM creëerde Google een gigantisch Transformer-model met 540 miljard parameters dat state-of-the-artprestaties behaalt op allerlei taal- en redeneertaken. Deze taken variëren van codegeneratie, moppen uitleggen, oorzaak-en-gevolgherkenning en meer. Bekijk het artikel voor een verdiepende duik in Pathways en de soorten use-cases die PaLM mogelijk maakt.
Nieuwe pakketten en modellen
PyTorch 1.11-release
Met de release van Pytorch versie 1.11 komt een reeks verbeteringen. De nieuwste versie van PyTorch biedt nu bètaversies van TorchData, de opvolger van de DataLoader-API, en functorch, dat composeerbare functietransformaties voor PyTorch-modules biedt. Naast de introductie van deze functies pronkt PyTorch 1.11 met diverse prestatieverbeteringen, zoals 40% snellere opstarttijden voor mobiele en edge-implementaties, en meer. Wil je meer leren over PyTorch, bekijk dan deze DataCamp-cursus voor beginners.
EpyNN 1.2.7
EpyNN staat voor “Educational python for Neural Networks”. Het is bedoeld voor docenten, studenten, wetenschappers en iedereen met relatief beperkte Python-vaardigheden die neurale netwerken vanaf de basis wil begrijpen en bouwen. Het biedt tal van architectuursjablonen en praktische voorbeelden die de tijd verkorten die nodig is om te leren hoe je neurale netwerken vanaf nul ontwikkelt.
BigScience Large Language Model Training (tr11-176B-ml-logs)
BigScience is een populaire space op Hugging Face en heeft als missie om in de openbaarheid grootschalige taalmodellen te creëren met duizenden onderzoekers wereldwijd. De training van het hoofdmodel van BigScience begon op 11 maart 2022 en zal drie tot vier maanden duren op 384 A100 80GB GPU’s van de openbare supercomputer Jean Zay. Dit open-sourcemodel zal uit 176 miljard parameters bestaan en een GPT-achtige decoder-only-architectuur hebben. Je kunt de trainingsupdates volgen op Twitter—en het model naar verwachting rond juni gebruiken.
Use-cases voor data science & machine learning
La Liga werkt samen met Databricks voor voetbalanalytics
Het analytics-team van La Liga is een samenwerking aangegaan met Databricks om een datalakehouse te implementeren binnen de analytics-infrastructuur van de competitie. Dit stelt La Liga Tech—de nieuwe, geconsolideerde analytics-tak van de competitie—in staat om hun data veel efficiënter te structureren en te beheren, en machine learning in te zetten voor interessante use-cases zoals blessurevoorspelling, contentaanbevelingen voor fans en meer.
Deep learning gebruiken om het proteïnenuniversum te annoteren
Wetenschappers gebruiken al lang computationele tools om de functie van een proteïne af te leiden en te annoteren op basis van de sequentie. Het AI-team van Google heeft met succes deep learning gebruikt om de functie van proteïnen betrouwbaar te voorspellen; ze noemen het ProtENN, en hiermee hebben ze ongeveer 6,8 miljoen items toegevoegd aan de database van Pfam. Het AI-team van Google heeft het ProtENN-model en een distill-achtige interactieve publicatie vrijgegeven voor experimenten. Het oplossen van dit soort problemen zal snellere, betrouwbaardere, nieuwe geneesmiddelen en therapieën met machine learning mogelijk maken.
Inzichten & opinies
De moderne data-analist versterken
In de nieuwste DataFramed-podcast bespreekt Peter Fishman, CEO van Mozart Data, de stand van de moderne datastack en hoe de nieuwste tools in data science zijn ontworpen om de moderne data-analist te versterken. Daarnaast gaat hij in op zijn ervaring met het leiden van datateams, wat een uitstekende data-analist maakt, het belang van domeinkennis en luisteren naar gebruikers, en meer. Luister en abonneer je op DataFramed waar je ook je podcasts haalt.
MLOps is een rommeltje, maar dat is te verwachten
In dit artikel deelt Mihail Eric, oprichter van Confetti AI, zijn inzichten over de staat van tooling in MLOps vandaag. Zoals de kop al zegt, fileert Mihail op briljante wijze de gefragmenteerde staat van het machinelearning-toollandschap. Omdat machine learning operations nog in de kinderschoenen staat, zijn de set aan standaarden, tools en best practices eromheen nog in ontwikkeling en is er geen duidelijke canonieke stack waar practitioners op kunnen vertrouwen. Bovendien zullen het oplossen van tekorten aan talent en het adopteren van machinelearning-denken binnen organisatieculturen de adoptie van MLOps in de komende jaren vormgeven.
Meer leren
We hopen dat je deze round-up van topverhalen, inzichten, tutorials en onderzoek leuk vond. Voor meer over het laatste in data science, bekijk de volgende bronnen:
