Atualizado pela última vez em 9 de janeiro de 2021
Você está sempre inundado de artigos, tutoriais, vídeos, documentários, e outros formatos de conteúdo, se acumulando em abas ou outras listas?
Esse é um fato incontestável da vida do profissional de dados: a quantidade de conteúdo excelente disponível será sempre muito maior do que é possível consumir numa vida. Cada escolha de um material de aprendizado é uma nova entrada no .log da vida, e esse log além de também crescer indefinidamente, não é salvo automaticamente num arquivo que podemos recuperar.
Mas como já dizia Tom Zé, o que salva a humanidade, é que não há quem cure, a curiosidade….
Nesse post, selecionei alguns eventos de leitura ou aprendizado que me dispus na primeira semana útil de 2021 (3-9/01) que me marcaram de uma maneira ou de outra, buscando preservá-los numa memória menos volátil. Muito além disso, eu espero que essa lista possa ser interessante pra você também. Acredito que as recomendações de pessoas com interesses semelhantes como os nossos pode nos ajudar a encontrar um conteúdo muitas vezes mais alinhado com nossos próprios interesses, do que encontraríamos em sites especializados ou newsletters famosas.
Se você ainda está interessado, vamos ao conteúdo então. Nesse post compartilho com vocês um tutorial e uma palestra do NeurIPS 2020, e dois tópicos do Reddit.
NeurIPS 2020
Nicolas Le Roux’s tutorial on RL and optimization
https://slideslive.com/38935818/neurips-tutorial-on-rl-and-optimization
Um tutorial bastante ágil (muito conteúdo em pouco tempo, mas com uma didática excelente) explicando como o problema de aprender as políticas no Aprendizado por Reforço (Reinforcement Learning – RL) pode ser colocado como um problema de otimização clássico.
A vantagem dessa formulação reflete-se em termos de garantias ótimas de convergência, e na rica literatura com algoritmos adequados para todos os gostos e necessidades. Mas com isso, deixamos de aproveitar características do problema que poderiam tornam o processo de otimização mais rápido (tópico que será foco das próximas partes desse tutorial).
Eu gostei bastante dos comentários sobre como a curvatura e o ruído da função objetivo afetam a convergência da otimização. Também achei bem didática a explicação de um detalhe que talvez seja bem simples, mas curioso em mesma medida: políticas determinísticas podem tornar o termo de ruído não limitado acima.
Estou ansioso para achar um tempo e assistir a segunda parte =)
Charles Isbell Invited Talk: You Can’t Escape Hyperparameters and Latent Variables: Machine Learning as a Software Engineering Enterprise
https://nips.cc/virtual/2020/public/invited_16166.html
Quando estamos mergulhados no laboratório por muito tempo, as vezes fica difícil olhar os aspectos de engenharia que colocam sistemas baseados em ML em produção, mas é nesse terreno que estão muitos dos grandes problemas atuais da área.
Essa palestra é muito interessante por mostrar como aspectos da aplicação desses sistemas são problemas teóricos fundamentais que ainda resistimos em aceitar. Um primor!
Caí nesses tópicos do reddit e achei algumas coisas interessantes aqui ou ali na discussão.
A List of Best Papers from Top AI Conferences in 2020
What is the greatest achievement of Genetic Algorithms?
Nesses tópicos, acho que é interessante você mesmo olhar e ver se alguma resposta te chamou atenção, se alguma informação que você não conhece está em algum link com material didático, ou apenas acompanhar a discussão e ir fermentando opiniões internas =).
Fechando a Semana
Pra fechar essa semana, gostaria da sua participação agora.
Gostou dessa lista? Algum item chamou sua atenção também?
Responde o formulário ou deixa um comentário aí embaixo! Assim você me ajuda a entender que conteúdos te atraíram aqui =).
Seja o primeiro a comentar