I just uploaded my slides on probabilistic Topic Modeling with LDA that give an overview of the theory, the basic assumptions and prerequisites of LDA and some notes on common pitfalls that often happen when trying out this method for the first time. Furthermore I added a Jupyter Notebook that contains a toy implementation of the Gibbs sampling algorithm for LDA with lots of comments and plots to illustrate each step of the algorithm.
Linkdump #67
R
Python
Interesting articles, projects and news
- Machine Learning: Facebook veröffentlicht ein (weiteres) Tool zur Objekterkennung
- Software used in judicial decisions meets its equal in random amateurs
- Forschung: Künstliche Intelligenz sagt den Todeszeitpunkt voraus
- Die Rattenfänger aus dem Silicon Valley
- Facebook verstärkt den Kampf gegen Hetze und Fake-News
- Medien-Vertrauenskrise: Immer mehr Menschen haben Angst vor Fake News
Linkdump #66
R
- While you wait for that to finish, can I interest you in parallel processing?
- Can’t Stop at 21: Twitter Recipe #22 — Tying Up Loose Threads
- Lime: Local Interpretable Model-Agnostic Explanations (R port of original Python package)
Python
- Lime: Explaining the predictions of any machine learning classifier
- Jupyter notebooks and version control
Interesting articles, projects and news
Linkdump #64
R
- Making R Code Faster : A Case Study
- A curated list of Awesome Shiny Apps for Statistics
- Coding Club R Tutorials
Python
Interesting articles, projects and news
- Indien: Wohl mehr als eine Milliarde Personendaten aus staatlicher Datenbank abgegriffen
- Electricity Map | Live CO2 emissions of electricity consumption
- 34C3: Predictive Policing führt zu Sippenhaft und hebelt die Unschuldsvermutung aus
- 34C3: China – Die maschinenlesbare Bevölkerung
- 34C3: Daten kontra Freiheit
- New York setzt auf diskriminierungsfreie Algorithmen in der Verwaltung
- Künstliche Intelligenz verdrängt menschliche Arbeit in juristischen Berufen
- Künstliche Intelligenz soll Geschehen in Videos verstehen lernen
Recent Comments