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

Data?, Data!, Data... * In defense of the pie chart [https://www.oreilly.com/ideas/in-defense-of-the-pie-chart] * 데이터 시각화와 관련된 몇가지 '오류'에 대해서 소개 > "Always start your pie charts at the top. We naturally start reading pie charts at the top (the 0° mark). Don't

Data?, Data!, Data... * Mathematicians Discover Prime Conspiracy [https://www.quantamagazine.org/20160313-mathematicians-discover-prime-conspiracy/] * '솟수'에 대한 이야기 * 'Random Primes'에 관한 부분은 읽어 볼 만함 > Prime numbers, of course, are not really random at all — they are completely determined. Yet in many respects, they seem to

Data?, Data!, Data... * 7 Datasets You've Likely Never Seen Before [http://blog.yhat.com/posts/7-funny-datasets.html] * 흥미로운 주제를 가지고 있는 7가지 ML 데이터 셋을 소개하고 있음 * 듣도 보도 못한 데이터인 비둘기 경주에 많은 관심을 가지고 데이터를 가지고 놀고 있음 * BallR: Interactive NBA Shot Charts with R and

Data?, Data!, Data... * Datamining the next series to watch - part 1 [http://funnybretzel.com/blog/datamining-the-next-series-to-watch-part-1/] * 영화나 드라마를 추천 시스템을 만드는 방법을 소개하는 기사 * 데이터를 수집하고 가공하는 방법을 중심으로 읽어보면 좋을 듯 * Super Bowl 50 according to Twitter [http://aylien.com/super-bowl-50-tweets#Super-Bowl-50-according-to-Twitter] * 트위터에서 자신이 필요한 '어떤 것&

Data?, Data!, Data... * Recommending for the World [http://techblog.netflix.com/2016/02/recommending-for-world.html] * 모든 기업에 적용할 순 없겠지만 데이터를 다루는 기업의 개발자라면 읽어보자! > Optimizing for the best results with the minimum set of interactions and automatically adapting to newly introduced languages with significantly different writing systems is

* 구글은 어디에 돈을 썼나 [https://brunch.co.kr/@jeremycho/7] * 시장의 크기를 키우는데 초점을 맞추고 있음 * [스타트업, 창업, 컨설팅] 2015년 실패한 미국 스타트업 30곳 원인 분석 [http://winnerslab.kr/archives/15529] * > "서류상으로는 엄청난 성장을 이뤘었다. 하지만, 성장률에 과부하를 가했고, 최종적으로 안정적인 제품을 만들지 못했고, 사용자 확보 채널을 설립하지