Es ist verrückt, wie schnell die Zeit vergeht – die Hälfte des Semester ist schon wieder vorbei. Wenn du bis hierhin durchgehalten und mit den Vorlesungen up-to-date geblieben bist – chapeau. Wenn nicht ist das kein Drama, denn du hast sicher mit den spannenden und bildenden Ressourcen aus diesem Newsletter prokrastiniert und die Zeit damit hervorragend genutzt. So langsam lohnt es sich dann aber vermutlich doch, die anstehenden Klausuren einzuläuten – auch wenn wir es absolut nachvollziehen können, dass dieser Newsletter dich davon ablenkt. Produktiv prokrastinieren geht eben nur mit STADS!

Korrelation vs. Kausalität

Für den erfahrenen STADSler ist die Differenzierung sicher kein Problem. Und trotzdem kann es das Gemüt erheitern, die Zusammenhänge für einen Moment zu vergessen. Und wer weiß – vielleicht ist ja wirklich was dran an diesem #badjoke von Simon Küstenmacher? 
Danke an Talha fürs Teilen!

P.S.: Wer Spaß an solchen Verquerungen hat, sollte sich diese Seite mal anschauen.

PyTorch GAN library mit Implementierungen von 18+ SOTA GANs

Wem bei GANs das Herz höher schlägt sollte unbedingt mal einen Blick ins verlinkte Repository werfen. Hier die Features:

  • Extensive GAN implementations for PyTorch
  • Comprehensive benchmark of GANs using CIFAR10, Tiny ImageNet, and ImageNet datasets
  • Better performance and lower memory consumption than original implementations
  • Providing pre-trained models that are fully compatible with up-to-date PyTorch environment
  • Support Multi-GPU (DP, DDP, and Multinode DistributedDataParallel), Mixed Precision, Synchronized Batch Normalization, LARS, Tensorboard Visualization, and other analysis methods

Viel Spaß!

Deep Learning based Super Resolution with OpenCV

Ums thematisch passend zu machen, kommt hier noch ein ausführlicher Artikel, der Schritt für Schritt erklärt, wie man die Bildauflösung mithilfe von Deep Learning verbessern kann. Wir wünschen euch viel Spaß beim Bearbeiten 🙂
Vielen Dank an Felix R. fürs Teilen

CEOs sind teuer – warum nicht automatisieren?

Mit einer Frage, die jeden effizienz-affinen BWLer in eine Zwickmühle bringt, beschäftigt sich ein Artikel von Will Dunn. Er bringt nicht so sehr Data Science-motivierte Einblicke in die Möglichkeit der praktischen Umsetzung als vielmehr einen Anreiz, sich kritisch mit dem Thema CEO-Kompensation zu beschäftigen. 
Wie IBM AI zur Unterstützung von Entscheidungsprozessen einsetzt, könnt ihr hier in einem weiteren, praktischeren  Artikel lesen.