Tutte le 5 raccomandazioni
Prezzi stimati al 1 mar 2026
#1 · Vaswani et al. (2017) · Crowd Favorite
Attention Is All You Need
Gratis su arXiv
Il paper che ha inventato i Transformer e che il 95% dei dev dice di aver letto completamente
- ✓ Ha rivoluzionato il machine learning moderno
- ✓ Citato più volte della Bibbia nei CV tech
- ✓ Disponibile gratuitamente online
- ✗ La matematica delle attention heads è più complicata di quanto sembri
#2 · Gatys et al. (2015) · Hidden Gem
A Neural Algorithm of Artistic Style
Gratis su arXiv
Il paper dietro neural style transfer, perfetto per dire 'ho capito le reti neurali'
- ✓ Produce risultati visivi affascinanti che puoi mostrare agli amici
- ✓ La spiegazione è meno densa rispetto ad altri paper
- ✓ Universalmente accettato come 'interessante'
- ✗ Gli esempi sono dal 2015, sembra datato se paragoniamo ai modelli attuali
#3 · Beyer et al. (2021)
ImageNet-21k Pretraining for the Masses
Gratis su arXiv
Il paper che spiega perché il pretraining è importante, ottimo per interview tecniche
- ✓ Dati pratici e riproducibili
- ✓ Dimostra l'importanza del pretraining su scala
- ✓ Citato frequentemente in discussioni di ML serio
- ✗ Meno memorabile rispetto ai paper che inventano nuove architetture
- ✗ Richiede una buona comprensione dei CNN
#4 · Devlin et al. (2018) · Best Value
BERT: Pre-training of Deep Bidirectional Transformers
Gratis su arXiv
Il paper che ha reso NLP accessibile e che compare in ogni discussione su LLM
- ✓ Ha democratizzato il processamento del linguaggio naturale
- ✓ La struttura è relativamente facile da spiegare con metafore
- ✓ Infiniti articoli di spiegazione disponibili online
- ✗ Ormai 'superato' dai Transformer più grandi, ma nessuno lo ammette
#5 · Belkin et al. (2019)
Deep Double Descent: Where Bigger Models and More Data Hurt
Gratis su arXiv
Il paper che contraddice tutto quello che sai e che perfetto per sembrare contrarian intelligente
- ✓ Affronta un concetto contro-intuitivo davvero interessante
- ✓ Perfetto per citare in riunioni per far sembrare di capire cosa succede veramente
- ✓ Tema di ricerca ancora molto rilevante
- ✗ La matematica dietro è complessa e persino i ricercatori dibattono sull'interpretazione
- ✗ Meno applicazioni pratiche dirette rispetto ad altri paper