Bir yazılım dili daha öğrenmekten daha yararlı olabilecek şeyler: 1. Daha fazla veri bilimi tekniğine hakim olmak 2. Belirli bir seviyeye gelmiş bir dilin yetkinliklerinde uzmanlaşmak 3. Daha fazla matematik, istatistik, olasılık çalışmak 4. Docker, heroku, DevOps vb.
5. Daha iyi bir takım üyesi olmak, scrum gibi metodlara adapte olmayı öğrenmek 6. Daha okunabilir kod yazmak, daha optimize olmak, düzgün bir structure'da proje yapmak 7. Veriye bakış açınızı geliştirip daha iyi görselleştirme yapmayı öğrenmek
8. Spesifik bir alanda CNN, NLP vb. derinleşmek 9. State-of-art projeleri takip etmek, yeni teknikleri erken öğrenmek 10. Soft skillerinizi geliştirmek, iletişim, liderlik 11. Özellikle data scientistler için daha fazla pratik 12. Cloud, IoT gibi sistemlerde ufak projeler yapmak
Arkadaşlar herkes pareto etkisini biliyor bir işin %80'lik kısmı çok kolay halledilir fakat sizi uzman veya değerli yapacak şey, sizi diğerlerinden ayıran o şey %20'lik derinleşme bölgesindedir.
Veri biliminde anahtar unsur derin bir teori ve bu derinligi uygulayabilmek için dildeki hakimiyettir. Enerjimizi nereye kanalize edeceğimizi iyi seçmeliyiz, çünkü bir ömüre sığmayacak kadar öğreneceğimiz şey var.
• • •
Missing some Tweet in this thread? You can try to
force a refresh
Dusuk cozunurluklu bir goruntuyu olusturmak 20 dakika kadar suruyordu, sabaha karsi saatte ilk denemesini yapmistik. Prompting engineering nedir, diffusion nedir hicbir bilgimiz yoktu. Bunu ilk gordugumuzde buyulenmistik.
"An enourmous sci-fi spaceship attacking to massive deathstar in front of a blackhole with galactic soldiers by greg rutkowski and thomas kinkade, Trending on artstation.", "blue color scheme"
birkac ay icinde reddit ve forumlarda farkli parametreler icin karsilastirmalar yayinladik. herkes elinden geldiginde guide yazmaya ve prompting tekniklerini gelistirmeye basladik. en etkileyici modifierlari bulmaya calisiyorduk. bir sure sonra 2d ve 3d animasyonlar geldi.
genellikle yapay zekanın geldiği son nokta veya inanılmaz kompleks teknolojiler daha çok konuşuluyor fakat madalyonun arka yüzünde hergün ufak ufak birçok probleme çözüm bulunuyor 👇
tabiiki de herkesin github’da deep learningde bu hafta nelere çözüm getirmişler gibi araştırmalar yapmasını beklemek abes olur, ben zaten düzenli olarak yaptığım için bazı özetler geçebilirim,
bir arabanın arka ışıklarının tespit edilmesinden, insanlarin hangi yone yurudugune
asiri karanlik fotograflarin aydinlatilmasindan, normal kamerayla cekilmis goruntuden derinlik haritasi cikartmaya, hatta bir goruntudeki insanlarin yuzleri veya vucutlarini anonimlestirmek icin bile bir model gelistiriliyor. daha aklima gelmeyen neler var…
veri bilimi projeleri gelistirirken kullandigim uc dokumantasyon teknigi 👇
1. Docstringler: Fonksiyonlariniza docstring yazmak onu daha sonra kullananlar icin de, projeniz buyuyup de isler karmasik hale geldiginde sizin icin de oldukca kritik, fonksiyonunuzun arguman olarak
neler aldigini ve neler dondugunu belirtmek oldukca yararlidir. Cogu kod editor parameter hint destekliyor ve bence en kullanisli araclardan biri. Keza docstring'e sahip proje kodlarinin daha profesyonel gozuktugunu inkar edemem.
2. Readme: Genellikle readme kismina kurulum ve environment ile alakali seyleri yaziyorum. Eger sizin veya baska bir developerin dikkat etmesi gereken unsurlar varsa tekrardan cozmek icin saatler harcayacagimiz konular varsa bunlari ekliyorum. Ve bir de projenin neye yaradigini..
veri bilimini sadece kurslardan ve videolu eğitimlerden öğrenmenin bazı tehlikeleri var ve bu floodda biraz bundan bahsedeceğim 👇
öncelikle çok uzun süredir eğitim veren ve aynı zamanda eğitim alan biri olarak tecrübe ettiğim bazı şeyler var, bunlardan ilki bazı konuların kurs yapısına çok uygun olmaması ve anlatmanın çok zor olması
bir örnekle açıklayalım misalen entity embedding tekniği, bu teknik büyük projelerde hayat kurtaran ve hatta bi noktadan sonra kullanmak zorunda kaldığınız alternatif bir teknik lakin bunu anlatmak için görece daha büyük bir veriseti kullanmalısınız, sparsityyi anlatmalısınız
🧵Su filmi o kadar seviyorum ki her yil acar defalarca izlerim, ne kadar biyografik bir film olsa da psikolojik ve felsefik muntazam detaylar var 👇
salieri kompleksi. salieri donemin saray bestesici, inanilmaz caliskan ve yetenekli, fakat sans o ya mozart ile ayni donem dogmuslar. salieri beethoven'a ders vermis, schubert ve liszt'e de hocalik yapmis, buyuk adam.
film acilis sahnesinde salieri'nin tanri neden mozart'i secti yakarisiyla basliyor ve "neden boyle bir yetenegi bu cocuksu yaratiga verdin de bana vermedin; madem yetenegi vermiyorsun neden icime bu tutkuyu yerlestirdin?" diyor.
🧵bir ay once odagimi toplamak icin harika bir teknik ogrendim, bu teknigin ismi 'distraction journal'. bu flood'da dikkat daginikligi olanlar icin calisirken kendinizi baska seylere kafayi takip dikkatinizi dagitan unsurlardan nasil kacinabileceginizi anlatacagim 👇
cogunlukla calisirken aklima gelen seyler yuzunden odagimi kaybedip hemen sunu tamamlayayim modunda buluyorum. bu bir mesaja cevap vermek, bildirimleri kontrol etmek, arkadasiniza gondermeyi unuttugunuz seyi gondermek veya annenize hizlica bir seyi soylemek olabilir.
odakli bir sekilde calismanin karsisinda onemsiz masum dikkat dagitici bir bahane her zaman vardir. ozellikle dikkat daginikligi olan insanlar bu ufak seyler yuzunden kendilerini asla yaptiklari seylere veremez. iste distraction journal bunun icin harika bir cozum.