Eugene Yan
PulseAugur coverage of Eugene Yan — every cluster mentioning Eugene Yan across labs, papers, and developer communities, ranked by signal.
-
数据马拉松获胜者利用预训练模型和API提高效率
Hacklytics 2021 的导师兼评委 Eugene Yan 观察到，在该数据马拉松比赛中，获胜队伍优先使用现成可用的数据集和API，而不是耗时的网络抓取。许多成功的队伍利用预训练模型或简单的情感分析工具（如 Vader）来完成诸如虚假新闻检测和社交媒体帖子分析等任务。顶尖项目通常拥有用户友好的界面，清晰地展示了其功能和潜在影响。
-
Eugene Yan：MOOCs的收益递减；真正的学习来自于实践
Eugene Yan认为，虽然大规模开放在线课程（MOOCs）在初步学习时可能有用，但它们往往会导致收益递减，甚至可能成为一种拖延的形式。他建议，真正的学习，尤其是在数据科学和机器学习等领域，来自于将知识应用于现实世界的问题，并拥抱在结构化课程之外出现的挑战。
-
Eugene Yan 讨论技术职业中写作的重要性
Amazon 应用科学家 Eugene Yan 在 DataTalks.Club 播客上讨论了写作在技术职业中的重要性。他分享了自己的个人经历，从心理学学位开始，通过 MOOC 和一场 Kaggle 竞赛转型为数据科学家，最终进入 Lazada 工作。Yan 详细阐述了他写作的动机、过程以及 Amazon 的写作文化，强调了写作对职业发展的价值。
-
Eugene Yan 分享 2021 年写作、指导和个人成长的目标
应用科学家 Eugene Yan 分享了他的 2021 年个人路线图，重点关注写作、演讲、指导和个人成长。他计划发表 48 篇文章，进行 4 场演讲，并收到 100 条有益的反馈。Yan 还计划指导 3-6 名个人，为 1-3 家初创公司提供咨询，并每天冥想 60 分钟。此外，他还打算学习 TypeScript，学习滑雪板，阅读六本小说，并游览三个美国州。
-
Eugene Yan 回顾他在亚马逊的角色和2020年的高产写作
Eugene Yan 的2020年回顾详细介绍了他为了在亚马逊担任新职务而搬到西雅图，在那里他构建推荐系统和机器学习系统。他强调通过文档、系统设计和精益团队内的协作来学习扩展自己。Yan 还显著增加了他的写作量，涵盖了从数据科学和机器学习到个人反思和生活经验等主题，他发现这提高了学习效率并促进了联系。
-
Eugene Yan 用飞刀比喻来解释如何从挑战中学习
Eugene Yan 的文章使用接住飞刀的比喻来阐述学习和技能获取的过程。故事描绘了一位学徒，他起初回避挑战，但最终学会了接住并利用它们，积累经验和专业知识。这个寓言表明，拥抱困难，即使有失败或受伤的风险，对于成长和精通至关重要。
-
Eugene Yan 分享了他反思过去一年和规划来年的个人流程。
Eugene Yan 概述了他从2020年过渡到2021年的个人和职业反思与规划流程。他强调精简待办事项列表、归档未读文章以及评估经常性义务，为深度工作腾出空间。Yan 分享了他用于评估过往表现和指导未来目标的具体问题，特别关注他的写作习惯以及他在Amazon担任应用科学家的角色。他的规划方法包括从期望的结果倒推，并与团队和经理的目标保持一致。
-
Eugene Yan 分享了7个受机器学习概念启发的生活教训
Eugene Yan 将机器学习概念与生活教训进行类比，强调了数据清洗和过滤输入（如食物、内容和人际关系）的重要性。他强调需要主动寻求新信息和反馈，类似于更新机器学习中的决策边界，而不是屈服于确认偏误。Yan 还讨论了探索-利用权衡，建议在尝试新体验和做决策时采取平衡的方法，以避免在机器学习和生活中陷入局部最优。
-
数据科学家可以通过仔细审查职位描述和面试问题来避免职位不匹配。
Eugene Yan 的文章建议数据科学专业人士如何应对职位头衔与其实际职责之间可能出现的不匹配。他建议仔细审查职位描述，在面试中就日常任务和技术栈提出有针对性的问题，并与潜在团队成员交流以获得坦诚的见解。Yan 还指出，外部评论可以提供一些视角，尽管个体团队结构可能有所不同。
-
Data Science Roles Diversify: From Generalist to Specialist ML Engineers
The role of a data scientist, once lauded as the "sexiest job of the 21st century," has significantly evolved and specialized over the past decade. This evolution has led to the emergence of distinct roles such as appli…
-
Chip Huyen：从斯坦福拒绝到机器学习生产领导者
Eugene Yan 采访了 Chip Huyen，一位专注于将机器学习研究投入生产的计算机科学家和作家。Huyen 分享了她从一个小村庄走出来的历程，克服了童年时不会说英语和最初被斯坦福拒绝等挑战。她的坚持不懈、对写作的投入以及主动学习（包括教授 TensorFlow 课程）为她在 Primer.ai 和 NVIDIA 带来了机会。
-
数据发现平台帮助团队更快地查找和理解数据
数据发现平台是组织高效查找和理解其数据资产的关键工具。这些平台对数据实体、元数据和血缘关系进行编目，使用户能够回答有关数据位置、含义、所有权、创建和使用的问题。主要功能包括强大的搜索功能、元数据显示和血缘关系跟踪，以提高数据的可访问性和可靠性。Facebook（通过其Nemo平台）和Lyft等公司已实施此类系统，以减少数据科学家在发现数据上花费的时间，否则这会阻碍生产力。
-
我为什么从 Netlify 切换回 GitHub Pages
Eugene Yan 详细介绍了他的博客架构，该架构依赖 Jekyll 进行内容生成，并使用 GitHub Pages 进行托管，提供免费且简单的设置。他还分享了由于 DNS 和电子邮件记录的复杂性以及 Netlify 免费套餐构建分钟数的限制，他从 Netlify 切换回 GitHub Pages 的经历。最终，Yan 优先考虑了 GitHub Pages 的省心和无限构建能力，而不是 Netlify 的高级功能。
-
数据科学作品集展示的不仅仅是技术技能，还包括学习、目标和乐趣。
Eugene Yan 的文章探讨了构建数据科学作品集的动机，超越了通常关注“如何做”的层面，深入探讨了“为什么”和“是什么”。文章认为，虽然获得工作是主要驱动力，但学习、帮助他人以及个人乐趣等内在动机对于可持续性和成就感至关重要。Yan 强调，作品集不仅展示技术技能，还展示一系列非技术能力和特质，鼓励个人选择最能展示其优势的项目。
-
Eugene Yan 详解在 Mac 上安装 Google ScaNN 以进行向量搜索
Eugene Yan 发布了一篇指南，详细介绍了在 Mac 操作系统上安装 Google 的 Scalable Nearest Neighbors (ScaNN) 库的过程。该指南解决了安装过程中遇到的复杂问题，提供了设置必要编译器、Python 版本和虚拟环境的步骤说明。它还概述了成功编译和安装 ScaNN 软件包所需的特定代码修改和构建命令，该软件包旨在实现高效的向量相似性搜索，并据报道其性能优于最先进的基准测试。
-
高级技术职位需要扎实的写作能力以进行沟通和战略指导
随着专业人士在技术职业生涯中不断晋升，写作能力相对于编码的重要性日益增加。高级职位需要沟通背景信息、战略愿景和经验教训，以有效地指导团队。这种从直接实施转向战略指导的转变，对于赋能团队成员和确保更好的项目成果至关重要。
-
Eugene Yan recaps RecSys conferences, highlighting AI advancements in recommendation systems.
Eugene Yan's RecSys 2022 recap highlights a significant increase in industry submissions and a focus on algorithmic advancements and real-world applications. Key papers explored efficient training for sequential recomme…
-
作者反思生命的价值，在困境中仍能欣赏当下时刻。
Eugene Yan 的文章通过与绝对虚无的概念进行对比，反思了珍惜当下的概念。他认为，即使生活充满不适和挑战，存在的体验也比虚无的状态无限好。这种观点鼓励人们更加珍惜所有的经历，包括困境，因为它们总比什么都不经历要好。
-
生产力专家分享以咖啡为动力的日常任务优化例程
高度多产的苏珊·舒（Susan Shu）在全职工作、研究生学习和副业之间取得平衡，分享了她优化日常的策略。她的例程强调简单而有效的工具和习惯，包括专门的咖啡制作仪式、用于产生想法的生产力冥想以及使用番茄工作法进行的结构化工作会议。舒的方法旨在最大限度地提高效率，而无需采取极端措施，为其他寻求取得更多成就的人提供实用建议。
-
Eugene Yan 分享使用工具和例程的生产力系统
Eugene Yan 分享了他为最大化生产力而开发的个人系统，该系统是在佐治亚理工学院攻读计算机科学硕士学位期间，同时兼顾全职工作而形成的。他的方法结合了特定的工具和例程，以自动化任务并扩展个人能力。关键要素包括受 Cal Newport 启发的“时间块”方法，以及根据 Steven Covey 提出的个人角色来确定任务优先级。Yan 使用 WeekPlan 进行日程安排，并使用 Roam 进行笔记记录和想法整理，以有效管理工作量。