Подборка полезных ресурсов от экспертов Positive Technologies: от лаб и подкастов до блогеров и сообществ. Часть 2

Продолжаем делиться интересными курсами и лабами, книгами и подкастами, блогами и сообществами, а также Telegram- и YouTube-каналами, которые наши крутые эксперты читают сами и советуют тем, кто хочет быть в курсе всего, что происходит в мире практической кибербезопасности.

Вот, кстати, наша первая подборка, посвященная анализу защищенности мобильных и веб-приложений, реверсу зловредов, threat intelligence и расследованию сложных инцидентов. Читайте, сохраняйте в закладки, если вдруг пропустили, и будьте на шаг впереди хакеров!

В этом посте — три десятка полезных ресурсов по машинному обучению от Александры Мурзиной, Вадима Столярова и Игоря Пестрецова. По их словам, они подойдут и совсем новичкам, которые хотят развиваться в этом направлении, и тем, кто делает первые шаги и еще не успел освоить все тонкости, и опытным исследователям, которым важно следить за новостями из мира ML и data science и постоянно совершенствовать свои навыки.

Зачем машинное обучение нужно в кибербезопасности?

Блоги и сообщества:

• Машинное обучения для людей — простые и понятные статьи для тех, кто хочет разобраться в машинном обучении без формул и теорем, зато с примерами реальных задач и их решениями.

• КвазиНаучный блог Александра Дьяконова

• Towards Data Science

• Hugging Face — сообщество по ИИ; содержит приложения, датасеты, документы, решения, а также современные модели на основе эталонного открытого исходного кода в области машинного обучения, которые можно обучать и развертывать.

• Papers with code — бесплатный и открытый ресурс с документацией, наборами данных, методами и оценочными таблицами по машинному обучению. Кто угодно может внести свой вклад.

• MachineLearning.ru — профессиональный ресурс, посвященный машинному обучению, распознаванию образов и интеллектуальному анализу данных.

Что слушать полезного. Подкасты:

• Вы находитесь здесь — подкаст о том, как человек учит машину всему, что умеет сам, а именно: постигать, творить, общаться и нервничать. Обсуждают, куда нас ведет развитие ИИ и как долго человечеству еще идти по дороге прогресса.

• Machine Learning Podcast — подкаст от неспециалиста для неспециалистов. Авторы рассказывают о развитии индустрии, проводят ликбез, объясняют терминологию и профессиональные жаргонизмы. В общем, то что надо, для новичков.

Книги:

• Ian Goodfellow, Yoshua Bengio and Aaron Courville. Adaptive Computation and Machine Learning series.

• Francois Chollet. Deep Learning with Python.

• Jon Krohn, Grant Beyleveld, Aglaé Bassens. Deep Learning Illustrated: A Visual, Interactive Guide to Artificial Intelligence.

• Clarence Chio, David Freeman. Machine Learning and Security.

Вадим Столяров

Специалист группы машинного обучения

В первой книге из подборки автор рассказывает о фундаментальных понятиях — начиная с основ машинного обучения и заканчивая сложными многослойными нейронными сетями. У книги есть некий порог вхождения: изложение подкрепляется расчетами, поэтому ее читателям надо дружить с математикой.

Вторая книга в списке больше практическая. Ее автор — создатель библиотеки глубокого обучения Keras, выпущенной в 2015 году. Во время чтения можно сразу пробовать реализовывать различные архитектуры нейронных сетей.

Третий участник подборки — большая обзорная книга о современном состоянии глубокого обучения (deep learning) с красивыми иллюстрациями и примерами кода.

Практика, практика и еще раз практика! Курсы и лекции:

• Deeplizard — бесплатные видеокурсы по глубокому обучению.

• 3Blue1Brown — интересно, а главное, понятно рассказывают про различные математические концепции.

• Deep Learning School — полезный курс, который изначально создавался для школьников, но в итоге оказался полезным всем, кто изучает нейронные сети. Авторы курса — студенты и сотрудники Физтех-школы прикладной математики и информатики МФТИ и Лаборатории нейронных систем и глубокого обучения МФТИ.

• Нейронные сети и компьютерное зрение — авторы курса — эксперты Samsung AI Center —объясняют математические основы доступным языком и дают базовые знания на примере решения задач компьютерного зрения.

• Machine Learning Engineering for Production (MLOps) — курс компании DeepLearning.AI на Coursera.

• Прикладное машинное обучение

• Машинное обучение от Нейчева

• StatQuest with Josh Starmer — лекции, помогающие лучше понять статистику и машинное обучение.

Игорь Пестрецов

Специалист группы машинного обучения

Тем, кто хочет быстро освоить фреймворк PyTorch, советую обратить внимание на курсы Deeplizard. Авторы начинают с самых основ, затрагивают важные аспекты фреймворка, без знания которых его дальнейшая эксплуатация может быть затруднительна. При этом звуковой и визуальный ряд курса отлично оформлен, что очень помогает быстрому усвоению нового материала.

Telegram-каналы и чаты:

• OpenDataScience — международное сообщество, объединяющее более 50 тысяч специалистов, исследователей и инженеров, связанных с data science.

• Machinelearning — самая актуальная информация из мира ML, нейронных сетей и DI.

• Denis Sexy IT — блог Дениса Ширяева, где простым языком рассказывается о нейронных сетях, виртуальной реальности и технологиях.

• Machine Learning in Art — канал, где публикуются коллекции коллабораций и освещаются значимые события из мира машинного обучения в изобразительном искусстве.

• Small Data Science for Russian Adventures — авторский канал Александра Дьяконова о машинном обучении, глубоком обучении, анализе данных, науке о данных, математике и обо всем остальном, что интересно исследователю.

Александра Мурзина

Руководитель группы машинного обучения

Я рекомендую блог и телеграм-канал Александра Дьяконова: он рассматривает как темы для новичков, так и тонкости, интересные опытным специалистам. Вопросы и проблемы, которые обсуждает Александр, очень часто совпадают с тем, что мы встречаем на практике.  Лично я пользуюсь блогом как справочником, когда мне требуется аргументировать какую-то идею, подход или привести подкрепляющий пример. Из телеграм-канала регулярно узнаю новости из мира машинного обучения, которыми делится со своими подписчиками автор. 

Twitter. За кем следить:

• Data Scientist

• AISecurityNews

• Ian Goodfellow

• Clarence Chio

Где искать единомышленников:

• ODS.ai — международное сообщество, которое объединяет специалистов, исследователей и инженеров data science. Можно совместно решать актуальные задачи по машинному обучению в самых разных предметных областях, присоединиться к сообществу в Slack.  Там же публикуются анонсы всех значимых мероприятий сообщества: конференций, Data Fests, летних и зимних школ. 

Вселенная GitHub:

• Machine learning system design pattern — репозиторий с шаблонами проектирования систем для обучения, обслуживания и использования систем машинного обучения в производственной среде.

• RedML — проекты, посвященные практическим методам машинного обучения. Будут полезны для offensive-задач.

• Foolbox — библиотека Python, позволяющая легко запускать состязательные атаки на моделях машинного обучения.

• Deep Learning with Python notebooks — репозиторий по Jupyter notebooks, реализующих примеры кода из книги «Глубокое обучение с помощью Python» (Manning Publications). Она тоже есть в нашей подборке.

• Machine Learning for Cyber Security — хорошие инструменты и ресурсы, связанные с использованием машинного обучения в кибербезопасности.

 Совет от нас: не копите полезные закладки