Travate qui di seguito la lista di tutte le risorse menzionate durante il secondo episodio della serie Smart Q-Share dedicato al tema del Reproducible Machine Learning.
L'evento è stato trasmesso in streaming il 16-04-2020. Qui potete trovare la registrazione video e la presentazione.
Di seguito trvate tutti i link menzionati suddivisi per sezione. Se avete qualche link interessante da suggerire sul tema aprite pure un pull request lo mergeremo il prima possibile.
Buona lettura/ascolto!
- L’Italia artificialmente intelligente raccontata dall’Osservatorio del Politecnico di Milano
- AI is the New Electricity
- Failure rates for analytics, AI, and big data projects = 85% – yikes!
- The Surprising Truth About What it Takes to Build a Machine Learning Product
- Hidden Technical Debt in Machine Learning Systems
- PIE & AI Milan Meetup
- 1,500 scientists lift the lid on reproducibility
- Continuous Delivery for Machine Learning
- What is hardcore data science—in practice?
- Data engineers vs. data scientists
- What are machine learning engineers?
- Activity Oriented Teams
- Outcome Oriented Teams
- CRISP DM - Cross-industry standard process for data mining
- AI Experts: dagli algoritmi al prodotto (Pie&AI Meetup)
- 5 Types of Nonsense Data Science
- Cos’è Docker ? Perché dovrei interessarmi di Docker?
- Perchè Docker è così importante
- Virtual Machines vs Docker Containers - Dive Into Docker
- Understanding Conda and Pip
- Deploying Keras models using TensorFlow Serving and Flask
- There are two very different ways to deploy ML models, here’s both
- Kubeflow - Tools for Serving
- BentoML
NA