Sangkon Han(SigmaDream, sd or SD)

Data?, Data!, Data... * AI’s Language Problem [https://www.technologyreview.com/s/602094/ais-language-problem/?set=602129] * AI 시스템의 커뮤니케이션에 대한 진지한 담론을 다루고 있음 > [...] I asked him about the importance of being able to communicate with the AI behind such systems. “That’s an interesting question,” he said after

Data?, Data!, Data... * 3 ideas to add to your data science toolkit [https://www.oreilly.com/ideas/3-ideas-to-add-to-your-data-science-toolkit/] * 데이터를 다루는데 있어서 항상 신경써야 할 주제인 'overfitting', 'black-box parameter', 'local approximations' 문제를 해결하는 방법을 소개하고 있음 * POKEMON: VISUALIZE 'EM ALL! [http://jkunst.com/r/

* Google 앱앤진에 node.js 애플리케이션을 배포하기 [http://bcho.tistory.com/1125] * 파이썬으로 공통받던 시절이 있었는데, 이제는 NodeJS도 가능한 시대가 되었음 * 이제 JS를 모르면 3rd party 서비스를 사용하는데 많은 '불편함'이 존재 * Jenkins로 원격지 API 서버에 war 배포하기 [http://phjang.tistory.com/155] * 'War'배포를 'OOO&

Data?, Data!, Data... * How I built a Slack bot to help me find an apartment in San Francisco [https://www.dataquest.io/blog/apartment-finding-slackbot/] * 샌 프란시스코에서 아파트를 찾는데 도움을 줄 수 있는 슬랙 봇을 만드는 방법을 소개하고 있음 * 'Scraping'하는 방법과 'Filter'를 적용하는 부분같이 세세한

Data?, Data!, Data... * Creating a Beer Recommendation Engine [http://willnetsky.github.io/Beer-Recommender/] * "맥주 추천 엔진 만들기"라니 제목부터 우리의 마음을 설레게 하고 있음 * 맥주 애호가의 '열정'과 개발자의 '덕'이 느껴지는 튜토리얼! > Beer is one of my passions. I’m an award-winning

Data?, Data!, Data... * Teaching an AI to write Python code with Python code [http://www.benjamintd.com/blog/spynet/] * 파이썬 코드를 사용해서 AI가 파이썬 코드를 작성하는 방법을 소개하고 있는 튜토리얼 * 'tensor', 'theano.tensor'를 사용한 아주 간단한 '스크립트'를 제공하고 있기 때문에 소스코드도 함께

Data?, Data!, Data... * Building a data science portfolio: Machine learning project [https://www.dataquest.io/blog/data-science-portfolio-machine-learning/] * 데이터 분석가를 꿈꾸는 이들을 위한 '포토폴리오' 작성 가이드라인! * 훌륭한 How-To 문서이기 때문에 나처럼 데이터 분석에 관심이 있으시다면 꼭 읽어보시길 권해드림! * The dynamic forces shaping AI [https://www.oreilly.com/ideas/the-four-dynamic-forces-shaping-ai]

* 브랜드에 색 입히기 [https://brunch.co.kr/@ultra0034/19] * 브랜딩을 진행 할 때, 많은 분들이 고민하는 '색(Color)'에 관한 내용을 소개 * '그런데 브랜드에 색이란게 정말 필요하긴 한 걸까요?' 부분에서 내가 많은걸 오해하고 있음을 깨달았음 * 이력서 페이지 개발기, Resume [http://hsol.tistory.com/927] * 이력서 페이지를

Data?, Data!, Data... * The Business Implications of Machine Learning [https://medium.com/@dbreunig/the-business-implications-of-machine-learning-11480b99184d?imm_mid=0e53b0&cmp=em-data-na-na-newsltr_20160629] * 제목 그대로 머신 러닝의 시사점에 대한 글 * 다 읽을 시간이 없다면 "The Rise of Reciprocal Data Applications (RDAs)", "The Business Implications of Machine Learning" 챕터

Data?, Data!, Data... * Hello, TensorFlow! [https://www.oreilly.com/learning/hello-tensorflow] * 구글에서 제공하는 'TensorFlow'의 소개 기사 * 파이썬으로 진행되고 완전 초보를 위해서 작성된 글이기 때문에 '유행' 때문이라도 읽어보길 권함 * Bot Design Patterns [http://willschenk.com/bot-design-patterns] * Bot 설계를 위한 패턴을 소개하고 있음 * 머신 러닝을 활용하기 위한

Data?, Data!, Data... * Why did you choose Python for Machine Learning? [https://github.com/rasbt/python-machine-learning-book/blob/master/faq/why-python.md] * 머신러닝을 학습하기 위해서 파이썬을 배워야 하는 이유를 소개하고 있음 * '매트랩', 'R', 'Julia' 등 다른 언어와 차이점을 알고 싶은 분들에게도 도움이 될 것으로 생각됨

Data?, Data!, Data... * THE MAKING OF A CHEATSHEET: EMOJI EDITION [http://www.emilyinamillion.me/blog/2016/5/30/the-making-of-a-cheatsheet-emoji-edition] * 머신 러닝을 위한 'Emoji 쉬트'를 제공하고 있음 * 굉장히 직관적이고, python의 sklearn 라이브러리 코드를 제공하기 떄문에 나 같은 초보자에게 많은 도움이 됨 * How to build up a data team

* Go best practices, six years in [https://peter.bourgon.org/go-best-practices-2016/] * Go 언어를 공부했던 경험을 소개하고 있음 * Go 언어를 공부한다면 강추! * <슈판워> 맨땅에서 데이터 분석 시스템 만들어나가기 [http://beingryu.github.io/ndc-2016/#/] * 데이터 분석 시스템을 만들어나가는 과정을 알려줌 * 특히 실패와 수정을 반복하는 과정을 통해서 내가 어디서 삽집을 하고

Data?, Data!, Data... * Ditch the data dump [https://www.oreilly.com/ideas/ditch-the-data-dump] * 데이터를 '올바로' 흘려보내기(Ditch) 위해서 필요한 UI/UX의 필요성을 강조하고 있는 기사 > 1. "The only way to achieve “actionable insights” is to tie analytics to native application functionality. Good UI/UX leads to

Data?, Data!, Data... * One Chart, Twelve Charting Libraries [http://lisacharlotterost.github.io/2016/05/17/one-chart-code/] * 뭔가 이쁘게 보여야 할 때 꼭 필요한 'Chart' 라이브러리에 관한 소개 기사. * Python은 'Seaborn'과 'Bokeh'으로 대동단결 하는 것 같은 느낌 * A statistical analysis of minesweeper – Placing

Data?, Data!, Data... * Real-time analytics: Algorithms and systems [http://www.slideshare.net/arunkejariwal/real-time-analytics-algorithms-and-systems] * 약 10년간 발전된 빅데이터 스트리밍 분석에 관한 개론적인 슬라이드 * 나 같은 꼬꼬마 개발자에겐 '스트리밍 분석'에 관한 '히스토리'를 알 수 있어서 엄청 도움이 됨 * Artificial intelligence now fits inside a USB

* Stack Overflow: The Hardware – 2016 Edition [http://devpools.kr/2016/04/18/stack-overflow-the-hardware-2016-edition/] * Stack Overflow에서 사용하는 하드웨어 스팩을 알 수 있음 * 클라우드에서 VM 크기를 계산할 때 참고할 수 있음 * Log를 기록하는 서버, ELK 스택을 잘 배워둘 필요가 있음 * Two Minute Papers [https://www.youtube.com/playlist?list=UUbfYPyITQ-7l4upoX8nvctg] * 논문 한편을

Data?, Data!, Data... * March Machine Learning Mania 2016, Winner's Interview: 1st Place, Miguel Alomar [http://blog.kaggle.com/2016/05/10/march-machine-learning-mania-2016-winners-interview-1st-place-miguel-alomar/] * R과 SQL을 사용해서 NCAA 토너먼트의 결과를 예측하는 것에 도전해서 우승한 Miguel Alomar의 인터뷰 * 분석 기법은 'logarithmic regression and random forests'를 사용하였음 * 이외의 중요한

Data?, Data!, Data... * I'll Keep Using R [http://md.ekstrandom.net/blog/2016/04/using-r/] * 데이터분석시 'R'을 사용하는 이유와 유용한 패키지에 대해서 소개하고 있음 * 파이썬과 R 사용시 많이 사용하는 패키지에 대한 다양한 정보를 포함하고 있기 때문에 R 사용자가 아니더라도 읽어보길 권함 * What Happens When Baseball-Stats

Data?, Data!, Data... * How to Prevent a Plague of Dumb Chatbots [https://www.technologyreview.com/s/601279/how-to-prevent-a-plague-of-dumb-chatbots/] * 자연어 처리 시스템을 학습 시키면서 발생하는 몇가지 주의사항 * 자연어 처리 시스템의 대표적인 예를 들자면, 요즘에 말썽꾸러기가 된 MS의 '테이'가 있음 > * There have been no fundamental breakthroughs in training

Data?, Data!, Data... * Back to the Future of Hand Writing Recognition [http://jackschaedler.github.io/handwriting-recognition/] * 손글씨를 인식하는 인식하는 과정을 '연대기'순으로 자세히 설명하고 있음(굉장히 훌륭함) * 적절한 '인터렉티브' 혹은 정보 '시각화'의 아주 좋은 표본임 > "Drawing is an eminently powerful form

Data?, Data!, Data... * How to approach machine learning as a non-technical person [http://techcrunch.com/2016/04/02/how-to-approach-machine-learning-as-a-non-technical-person/] * 걸어온 길을 되돌아보게 만드는 문장이다. > "Ultimately, ML is meant to be used in the context of a given task, a problem with inputs and a way to objectively assess

Data?, Data!, Data... * Why Airbnb Has a Data Scientist on Every Leadership Team [http://www.inc.com/daphne-koller/why-airbnb-has-a-data-scientist-on-every-leadership-team.html] * Airbnb에서 Data Scientist의 역할을 알 수 있고, 역량에 대해서 생각해 볼 수 있음 * 고객은 데이터를 사용하는 방법에 따라서 달라짐 > "That customer will choose the service that's

* 모바일 앱 UX 원칙 by 구글 [http://dsconsulting.kr/2016/03/28/%EB%AA%A8%EB%B0%94%EC%9D%BC-%EC%95%B1-ux-%EC%9B%90%EC%B9%99-%EA%B5%AC%EA%B8%80-%EC%A0%9C%EA%B3%B5/] * 원본을 읽어볼 필요가 있으며, 생소한 용어는 사전을 찾아보고