Akari

[Akari @Sayyyakaaa]

@s_Shochan0827 おめでとうございます🎉🍾🎉お疲れ様でした！

[Akari @Sayyyakaaa]

@s_Shochan0827 お疲れ様でした！

[Akari @Sayyyakaaa]

@kotarouchikawa おめでとうございます🎉🎉You really deserved it!

[Akari @Sayyyakaaa]

@kotarouchikawa 頑張ってください！

[Barret李靖 @Barret_China]

论文，我认为就是写的比较专业的博客，它的格式非常八股，基本都是按照这样的结构来呈现的：标题 → 概要 → 导言 → 方法 → 实验 → 结论。

下文较长，主要提到了几个检索方法和阅读工具，强烈推荐下 PopAI， https://t.co/jVrdb1g8o4，体验做的很不错。

很多朋友说论文读起来太晦涩且耗时，但事实上阅读论文是 ROI 比较高的一件事情，尤其是 AI 盛行的当下，大量科研人员都以论文的形式来呈现自己的研究成果，他们在写论文之前，会把行业最前沿的信息都研究个遍，然后自己动手实践，并提出更新、更好的解决方案。所以我认为学会读论文，以及挖掘对自己工作有帮助的论文是比较重要的一件事情。

检索论文，我的思路有两个。

一个是「有什么办法可以解决问题」，通过问题关键词去索引内容，例如检索“如何识别多人同时说话”，我找到了语音识别（ASR），然后找到了 Whisper，然后找到了《Robust Speech Recognition via Large-Scale Weak Supervision》这篇论文，过程中也找到了很多其他的论文。

另外一个是「为什么这个方法可以解决问题」，去研究技术背后的东西，例如检索“为什么 pyannote-audio 可以区分不同的人说话”，我找到了 Speaker Diarization，然后找到了《A Reinforcement Learning Framework for Online Speaker Diarization》这篇论文，从这篇论文又了解到了更多其他方法，回到思路一，继续研究。

检索工具上，之前推荐过 https://t.co/M1VQ4TctrB 这个网站，它有一个“必读论文”板块，放了很多精挑细选的专题模块，可能刚好跟你的研究方向是匹配的；但大部分情况下，你进到这个网站时，也不知道该搜什么关键词，所以刚开始还得去 Google 或社交媒体去检索行业先驱的博客或推文，去看看一些综述性的介绍，再去找更多更细节的关键词。

关于读论文，之前分享过一篇文章《如何阅读一篇论文》，它提到了“三遍阅读法”，我也是这么践行的；当然，也离不开工具上的辅助，主要包括两类。

第一类是 Summary 工具，如果每出一篇论文都去精读，那时间上肯定是不划算的，关键也没这个必要；Summary 的工具比较多，上面提到的 aminer 也自带了这个能力。

这里推荐下 PopAI，https://t.co/jVrdb1g8o4，最近看论文和读长篇 PDF 都用的非常多，它支持针对 arxiv 的论文转存后直接进行 AI Chat，省却了下载 PDF 文件的过程：
第二类是精读工具，对大多数人来说，语言是第一阻碍，尤其是论文里铺天盖地的专业词汇，让人望而生畏；我用的比较多的是“沉浸式翻译”这个 Chrome 插件，它支持将 PDF 直接进行在线对照翻译，免费版的翻译质量有点一般，但也基本够用了：
论文的实验结果基本都是以图表形式呈现的，因此精读的一个重要环节是读懂图表，这部分也可以借助 AI 的能力来理解得更透彻，PopAI 在这块做的也还不错，它背后接入了 GPT-4V 的 API，可以对论文里的图片进行详细解读，另外，还支持在聊天框内直接粘贴图片跟它交互，比较方便：
如果论文正好是自己想要内容，还有一个非常实用的工具，叫做 Papers with code，https://t.co/FXJTXVECuk，之前也推荐过，它可以根据论文帮你找到对应的 Github 代码实现，以及用到的数据集和测试方法，这也是我用的比较多的。

顺带提一嘴，涉及到 AI 的代码仓库，建议直接去 Google Colab 上跑，它的下载速度可以达到 200Mb/s，相比本地，会更加高效。

以上，是近几个月研究 AI 和论文的一点经验。如果你在学习过程中用到了其他好用的辅助工具或者方法，也欢迎推荐和分享！

[Akari @Sayyyakaaa]

@okx https://t.co/nPw8xJZWn5

[Sebastian Raschka @rasbt]

Optimizing BOTH learning rates & schedulers is vital for efficient convergence in neural net training.

Want to learn more about learning rates & scheduling in PyTorch? I covered the essential techniques in this short series of videos (~30 min in total):

https://t.co/VR9q96ltUL

[宝玉 @dotey]

1/n 前些天我听Sarah & 王建硕的那期《大白话聊 ChatGPT》播客 https://t.co/lzyNl3YE5g 的时候，里面王建硕老师神秘兮兮的说他们开发了一个机器人，这个机器人能补全一些ChatGPT缺失的能力，比如：报时、算复杂数学等任务。

[St4r @xinqiu_bot]

不知道大家是否有私有化部署ChatGPT的诉求，虽然直接用OpenAI的API是最便捷且效果最好的，但是在一些场景下，数据管控的更严格，想要实现基于私有数据构建Bot的流程就需要闭环在内部。本tweet会简单介绍一个流程让大家快速私有化部署。1/n

[Barsee 🐶 @heyBarsee]

How to use AI to start your business in less than 2 days:

( it will save you lots of time and money ):

[Akari @Sayyyakaaa]

@heytea_boys 同一个世界，同一个老板

[Akari @Sayyyakaaa]

@okx well done guys

[Dan Kornas @DanKornas]

👉 Machine Learning Interviews

This repo aims to serve as a guide to prepare for Machine Learning (AI) engineer interviews for roles at big tech companies (in particular FAANG).

🔗 https://t.co/fwZoAAq4Rc

[Jean de Nyandwi @Jeande_d]

Everything is Connected: Graph Neural Networks

Graphs Neural Networks(GNNs) are increasingly showing potential in modeling graphs datasets. @PetarV_93 just published a survey paper on key concepts in GNNs. This is an excellent resource for learning GNNs.

https://t.co/Xk028OnGmP

[Orange AI @oran_ge]

这篇文章看完了，作者对 ChatGPT 的路线梳理和技术理解都远远超过了各种博主up主，如果想了解的话，一定要读。

通向AGI之路：大型语言模型（LLM）技术精要 https://t.co/o2fEheCL1W

[elvis @omarsar0]

2022: A Year in Review (ML Papers Edition)

In this thread, let's take a look at some of the top trending ML papers of 2022 ↓

[Jean de Nyandwi @Jeande_d]

Advanced Natural Language Processing - CMU 2022

Advanced NLP is one of the best & modern NLP courses that cover fundamental tasks and recent advances in NLP.

The Fall '22 materials were just uploaded recently!!

Lectures: https://t.co/LdUY6o0b3a
Website: https://t.co/32cOylAVrL

[Sebastian Raschka @rasbt]

Wondering what I've been up to lately?
I'm excited to share my new free course:

Deep Learning Fundamentals
-- Learning Deep Learning Using a Modern Open Source Stack!

I hope you’ll find it useful! Check it out here:
👉 https://t.co/B0rVXwTHSn

Let me know what you think!

[Alex Xu @alexxubyte]

/1 𝐇𝐨𝐰 𝐝𝐨 𝐰𝐞 𝐥𝐞𝐚𝐫𝐧 𝐄𝐥𝐚𝐬𝐭𝐢𝐜𝐒𝐞𝐚𝐫𝐜𝐡?

Based on the Lucene library, Elasticsearch provides search capabilities. It provides a distributed, multitenant-capable full-text search engine with an HTTP web interface. The diagram below shows the outline.

[Pau Labarta Bajo @paulabartabajo_]

Looking for effective ways to learn MLOps?

Forget theory and get your hands on a real-world problem 🧠

Here is a project you can build (for free) using Python 👩🏽‍💻👨‍💻↓↓↓