编者按：如果你有兴趣分享你的数据科学和人工智能专业知识，你可以申请为我们的博客 here 写作。
写作的双重目的主要是在社区、组织等之间保存和传递知识。 machine-learning 域内的写入仅用于上述目的。有一些杰出的个人花了大量的时间和精力推进机器学习和 AI 作为一个领域的前沿。巧合的是，许多人工智能的先驱和专家写了很多东西。
这篇文章包括以不同的形式和形式对人工智能领域做出贡献的个人，特别是强调他们的书面作品。每个人通过编写人工智能相关内容的实践所做出的贡献。
本文的要点是，作为数据科学家，我们需要在交流的同时培养软技能，如创造性和批判性思维。写作是培养数据科学家关键软技能的活动.
写作的人工智能专家
安德烈·卡帕蒂。
在撰写本文时， Andrej Karpathy 是 Tesla 的人工智能高级总监。通过使用经过数百万图像和视频样本训练的大规模人工神经网络，监督将商用自动驾驶汽车推向市场的工程和研究工作。
安德烈是一位杰出的作家。他的作品曾在《福布斯》、《麻省理工技术评论》、《快速公司》和《商业内幕》等顶级出版物上发表。具体来说，我一直在通过 Andrej 的 Medium profile 和他的博客关注他的写作。
在我作为一名计算机视觉专业的学生探索卷积神经网络的基础知识时， Andrej 在斯坦福大学的 Deep learning 课程证明有助于理解和直觉卷积神经网络的内部结构。具体而言， written content 课程探讨了一些细节，如 CNN 中的参数分布、 CNN 架构中不同层的操作以及 CNN 滤波器参数和输入图像值之间发生的卷积操作。安德烈用他的作品来表达新思想，探索深度学习的状态，并教育他人。
数据科学家是数据数字表示世界和项目利益相关者之间的中介，因此，解释和传达数据集衍生理解的能力对数据科学家至关重要。写作是一种沟通手段，它使数据科学家具备了传达和呈现想法、模式以及从数据中学习的能力。安德烈的作品是如何做到这一点的一个明显的例子。他对神经网络架构、数据准备过程等提供了清晰简洁的书面解释。
李开复
李开复是人工智能和数据科学专家。通过在谷歌、微软、苹果和其他组织的工作，他对人工智能做出了重大贡献。
他目前是 Sinovation Ventures 的首席执行官。 Kai Fu 将人工智能应用于视频分析、计算机视觉、模式识别等领域，为人工智能研究做出了重大贡献。此外，李开复在其著作 AI Superpowers 和 AI 2041 中还撰写了一些书籍，探讨人工智能的全球参与者以及人工智能的未来应用和影响。
通过他的写作，李开复剖析了在人工智能领域大量运作的国家和实体的战略。推动当今人工智能超级大国的决策、思维和国家努力的沟通对于寻求快速发展人工智能技术的发展中国家至关重要。
然而，李开复也通过他的写作传达了人工智能技术的进步可能对社会和个人造成的潜在不利影响。通过阅读李开复的书面内容，我已经能够理解，当深入学习和预测模型的可用性被投射到涉及偏见、贫困、歧视、不平等等社会问题的富有想象力的未来场景中时，它们会如何影响日常人的生活。
随着人工智能技术和数据驱动算法在我们的移动设备、设备和流程中的普及，“人工智能的危险”这一话题越来越频繁。数据科学家正在一次一个模型地引领未来，我们有责任确保这一点。我们能够传达这样一个事实：在技术融入社会之前，我们对其进行了深入的成本效益分析。通过确保人工智能技术的正面和负面影响不仅仅是数据科学家的事后思考，这些考虑让消费者放心。
对于数据科学家来说，传达上述考虑的一种有效方法是通过写作。写一两篇文章来解释数据源、网络架构、算法，并根据当前利用率推断人工智能应用程序或预测模型的未来利用率，是有效的。一位数据科学家将这些步骤作为其流程的一部分，在产品消费者和社区中建立起责任感和信任感。
弗朗索瓦·乔利特
TensorFlow 和 Keras 是数据科学和机器学习项目中广泛使用的两个主要库。如果您使用这些库中的任何一个，那么 Francois Chollet 可能是您遇到的 AI 中的一个人。
Francois Chollet 是一名人工智能研究员，目前在谷歌担任软件工程师。他被公认为深度学习库 Keras 的创建者，也是 TensorFlow 图书馆的杰出贡献者。他写道，这并不奇怪。
通过他的写作，弗朗索瓦表达了他对人工智能 concerns 、 predictions 和 limitations 的看法。作为一名机器学习实践者， Francois 写作对我的影响来自于他关于软件工程主题的论文，更具体地说是： API 设计和软件开发过程。通过他的写作， Francois 通过其臭名昭著的书 Deep Learning With Python ，就实际深度学习和使用 Python 编程语言进行机器学习任务的主题，教育了数十万人。
通过编写数据，科学家有机会在团队成员或组织中实施软件开发和数据科学过程中的最佳实践。
结论
涵盖数据科学的学术机构应在课程中包含写作。多年来，在学术界培养写作习惯对专业角色来说是有益的。
专业数据科学家应该通过将写作作为思想、技术和概念交流的一个组成部分来扩展他们的技能。正如本文中提到的人工智能专家的工作所指出的，书面工作可以是散文、博客、文章等形式。即使是在 LinkedIn 或 Twitter 等平台上与同行互动并参与讨论，也会对数据科学专业人士有益。
新手数据科学家经常问，可以采用什么方法来提高技能、知识和信心，毫不奇怪，答案也是写作。写作能够以一种结构化的方式表达思想，而这种方式很难通过其他交际方法来表达。写作也是一种强化学习的方法。
这篇文章对于寻找想法的数据科学家来说是一个极好的灵感来源，如果你感到受到启发，请阅读关于机器学习领域各种写作的文章。
