在過(guò)去的一個(gè)月中， 作者從近 1400 篇有關(guān)機(jī)器學(xué)習(xí)的文章中挑選了最有可能幫助職業(yè)生涯發(fā)展的 10 篇推薦給大家(入選比率為0.7%)。

 

 

▌前言

這10篇文章涉及了 DeepMind 提出的 GQN 網(wǎng)絡(luò) 、Open AI 多智能體在游戲任務(wù)中大獲全勝背后的原理與技術(shù)、TensorFlow 的實(shí)踐經(jīng)驗(yàn)、如何給模型調(diào)優(yōu)、如何用機(jī)器學(xué)習(xí)生成驚艷酷炫的作品、如何進(jìn)行面部識(shí)別與只用 10 行代碼就操作了一波目標(biāo)檢測(cè)等技術(shù)�？梢哉f(shuō)這波操作厲害了，各種類型總有一個(gè)會(huì)是你喜歡的!

▌No.1 Neural scene representation and rendering: DeepMind self-training computer creates 3D model from 2D snapshots

 

 

摘要：DeepMind 在 Science 上發(fā)表了新論文《Neural scene representation and rendering》。論文介紹了一種新型計(jì)算機(jī)視覺(jué)算法，可以基于某個(gè)單一的平面圖像，去從不同角度“想象”它的三維模型。該算法被稱之為生成查詢網(wǎng)絡(luò)( GQN )。只需給人工智能一些二維場(chǎng)景圖片，比如說(shuō)一面磚墻、樓梯上的明亮球體和方塊，人工智能就可以產(chǎn)生從不同角度觀察這個(gè)場(chǎng)景的三維模擬圖、渲染物體不同的面甚至解決相同光源下的陰影位置問(wèn)題。GQN 建立在大量關(guān)于多視圖幾何，生成建模，無(wú)監(jiān)督學(xué)習(xí)和預(yù)測(cè)學(xué)習(xí)的相關(guān)工作的研究基礎(chǔ)上，但是它允許將相同的模型應(yīng)用與一系列不同的環(huán)境，與更傳統(tǒng)的計(jì)算機(jī)視覺(jué)技術(shù)相比，雖然還存在許多限制，然而隨著新數(shù)據(jù)源的出現(xiàn)及硬件的不斷進(jìn)步，DeepMind 公司希望能夠研究 GQN 框架在真實(shí)場(chǎng)景中更高分辨率圖像中的應(yīng)用;在未來(lái)的工作中，探索 GQN 在場(chǎng)景理解的更廣泛應(yīng)用。

論文題目：

Neural scene representation and rendering

論文地址：

http://science.sciencemag.org/content/360/6394/1204

文章地址：

https://deepmind.com/blog/neural-scene-representation-and-rendering

▌聚焦 ICML

Deep Mind 近日也發(fā)表推文談到，關(guān)于 GQN 已經(jīng)有了新的拓展與應(yīng)用。在本屆 ICML 大會(huì)上，Google 將會(huì)與大家一起分享關(guān)于“深度生成模型的理論與應(yīng)用”(Theoretical Foundations and Applications of Deep Generative Models)的主題研討會(huì)，屆時(shí)大家可以學(xué)習(xí)到更多有關(guān) GQN 的內(nèi)容。

研討會(huì)介紹：

https://sites.google.com/corp/view/tadgm/home

▌No.2 A machine has figured out Rubik’s Cube all by itself

 

 

 

 

摘要： 加州大學(xué)歐文分校的StephenMcAleer及其同事開(kāi)創(chuàng)了一種新的深度學(xué)習(xí)技術(shù)，并認(rèn)為他們的方法是對(duì)問(wèn)題進(jìn)行推理的一種形式，稱為“自主學(xué)習(xí)迭代(Autodidactic iteration)”，可以讓機(jī)器自行解決魔方的問(wèn)題，而無(wú)需人工協(xié)助。已經(jīng)掌握的技巧是找到機(jī)器創(chuàng)建自己的獎(jiǎng)勵(lì)系統(tǒng)的方法。這是個(gè)意義重大的里程碑，因?yàn)樾路椒ń鉀Q了計(jì)算機(jī)科學(xué)中的一個(gè)重要問(wèn)題：如何在最少的幫助下讓機(jī)器解決復(fù)雜的問(wèn)題。當(dāng)然，真正的考驗(yàn)是如何將這種方法應(yīng)用到更復(fù)雜的問(wèn)題上，也讓很多人關(guān)心它將如何做到。

論文題目：

Solving the Rubik's Cube Without Human Knowledge

論文地址：

https://arxiv.org/abs/1805.07470

文章地址：

https://www.technologyreview.com/s/611281/a-machine-has-figured-out-rubiks-cube-all-by-itself/

▌No.3 A visual introduction to machine learning, Part II

 

 

摘要：在機(jī)器學(xué)習(xí)中，應(yīng)用統(tǒng)計(jì)學(xué)習(xí)技術(shù)來(lái)自動(dòng)識(shí)別數(shù)據(jù)模型，還可用于進(jìn)行高度準(zhǔn)確的預(yù)測(cè)。利用數(shù)據(jù)創(chuàng)建一個(gè)機(jī)器學(xué)習(xí)模型，而建模的目標(biāo)是通過(guò)識(shí)別和編碼數(shù)據(jù)模型來(lái)逼近顯示真實(shí)的情況，如果模型過(guò)于簡(jiǎn)單或復(fù)雜都會(huì)出錯(cuò)，本文章是機(jī)器學(xué)習(xí)的視覺(jué)介紹系列文章的第二篇：如何調(diào)整模型與偏差-方差的權(quán)衡。

本文地址：

http://www.r2d3.us/visual-intro-to-machine-learning-part-2/

此系列文章第一篇地址：

http://www.r2d3.us/visual-intro-to-machine-learning-part-1/

▌NO.4 OpenAI Five: Defeating amateur human players at Dota 2

 

 

摘要：OpenAI自學(xué)習(xí)多智能體5v5團(tuán)隊(duì)?wèi)?zhàn)擊敗DOTA2業(yè)余人類玩家，這代表著AI在決策智能上的能力大幅向前推進(jìn)。OpenAI Five之所以戰(zhàn)勝DOTA2的業(yè)余選手，主要原因在于它使用“近端策略優(yōu)化”(PPO)的擴(kuò)展版算法，在256個(gè)GPU和128000個(gè)CPU內(nèi)核上進(jìn)行訓(xùn)練。每個(gè)英雄都使用單獨(dú)的LSTM，不使用人類數(shù)據(jù)，最終AI能夠?qū)W會(huì)識(shí)別策略。比爾·蓋茨也發(fā)推文稱贊：這是一件大事，因?yàn)樗鼈兊膭倮�需要團(tuán)隊(duì)合作和協(xié)作——這是推進(jìn)人工智能的一個(gè)巨大里程碑。

文章地址：

https://blog.openai.com/openai-five

▌NO.5 Tensorflow: The Confusing Parts (1)

 

 

摘要：本文作者Jacob來(lái)自GoogleAI Resident項(xiàng)目，他在2017年夏天開(kāi)啟了為期一年的Google研究型實(shí)習(xí)，在此之前他雖然有很多編程經(jīng)驗(yàn)和機(jī)器學(xué)習(xí)經(jīng)驗(yàn)，但沒(méi)有使用過(guò)TensorFlow，而在他的實(shí)踐經(jīng)驗(yàn)中發(fā)現(xiàn)，將自己的想法變成 TensorFlow 的代碼遠(yuǎn)比想象中要難。對(duì)于初學(xué)者來(lái)說(shuō)，TensorFlow 可能也不如 PyTorch、DyNet直觀，這篇文章就是Jacob為TensorFlow寫(xiě)的一個(gè)實(shí)用教程。作者通過(guò)更一般的方法，而非專注于一個(gè)特定的任務(wù)，使學(xué)習(xí)過(guò)程變得更直觀。

文章地址：

http://jacobbuckman.com/post/tensorflow-the-confusing-parts-1

▌NO.6 Abstract Art with ML

 

 

摘要：本文講述了如何用機(jī)器學(xué)習(xí)來(lái)進(jìn)行抽象藝術(shù)創(chuàng)作。文章介紹了CPPN網(wǎng)絡(luò)，這是一個(gè)連續(xù)且可微分的網(wǎng)絡(luò)，可以在瀏覽器中運(yùn)行模式生成器，親自體驗(yàn)可以生成這些驚艷又酷炫作品的神經(jīng)網(wǎng)絡(luò)。

文章地址：

https://janhuenermann.com/blog/abstract-art-with-ml

▌NO.7 Going Dutch: How I Used Data Science and Machine Learning to Find an Apartment in Amsterdam?—?Part I

 

 

 

 

摘要：作者Rafael Pierre首先分享了數(shù)據(jù)爬取、清理、可視化等步驟，到進(jìn)行EDA 數(shù)據(jù)分析的初探，發(fā)現(xiàn)了一些有趣的現(xiàn)象，進(jìn)而介紹隨機(jī)森林算法，訓(xùn)練模型并預(yù)測(cè)房租的經(jīng)驗(yàn)。

文章地址：

https://towardsdatascience.com/going-dutch-part-2-improving-a-machine-learning-model-using-geographical-data-a8492b67b885

視頻地址：

https://video.jqr.com/news%2F2018%2F06%2F21%2FAmsterdam-rental-prices/sd.mp4

▌No.8 Face recognition with OpenCV, Python, and deep learning

 

 

 

 

摘要：文章講述了如何用 OpenCV 、Python 、深度學(xué)習(xí)技術(shù)在圖片和視頻流中進(jìn)行人臉識(shí)別。作者首先簡(jiǎn)要介紹了面部識(shí)別的深度學(xué)習(xí)概念，幫助大家安裝實(shí)踐過(guò)程所需要的庫(kù)，最后帶領(lǐng)大家進(jìn)行面部識(shí)別。

文章地址：

https://www.pyimagesearch.com/2018/06/18/face-recognition-with-opencv-python-and-deep-learning

▌NO.9 Food Discovery with Uber Eats: Building a Query Understanding Engine | Uber Engineering Blog

 

 

摘要：通過(guò)構(gòu)建查詢理解引擎的方式來(lái)更好的向用戶進(jìn)行食物推薦。Uber Eats 努力幫助食客盡可能輕松地找到他們想要的確切事物，通過(guò)搜索和推薦技術(shù)及機(jī)器學(xué)習(xí)的最新進(jìn)展來(lái)完成這項(xiàng)任務(wù)，本文首先為大家重點(diǎn)介紹如何通過(guò)內(nèi)部食品知識(shí)圖譜構(gòu)建Uber Eats 的查詢理解引擎及如何幫助更好的理解用戶意圖相關(guān)工作。

文章地址：

https://eng.uber.com/uber-eats-query-understanding

▌No.10 Object Detection with 10 lines of code

 

 

摘要：作者M(jìn)oses Olafenwa 是一位自學(xué)計(jì)算機(jī)的開(kāi)發(fā)者，他與同伴一起開(kāi)發(fā)了一個(gè)名叫 ImageAI 的Python 函數(shù)庫(kù)。 ImageAI 可以讓程序員和軟件開(kāi)發(fā)者只用幾行代碼，就能輕易地把最先進(jìn)的計(jì)算機(jī)視覺(jué)技術(shù)整合到他們現(xiàn)有的以及新的應(yīng)用程序里面。

作為人工智能的一個(gè)重要領(lǐng)域，計(jì)算機(jī)視覺(jué)是一門可以識(shí)別并理解圖像和場(chǎng)景的計(jì)算機(jī)及軟件系統(tǒng)科學(xué)。該領(lǐng)域主要包括圖像識(shí)別，目標(biāo)檢測(cè)，圖像生成，圖像超分辨率等多個(gè)方向。由于現(xiàn)實(shí)中存在眾多的實(shí)際案例，目標(biāo)檢測(cè)應(yīng)該是計(jì)算機(jī)視覺(jué)中最令人深刻的一個(gè)方向。在人工智能頭條之前給大家介紹的教程中，簡(jiǎn)要介紹了目標(biāo)檢測(cè)的概念，軟件開(kāi)發(fā)人員所面臨的挑戰(zhàn)，相應(yīng)的解決方案以及執(zhí)行高性能目標(biāo)檢測(cè)的編碼教程等內(nèi)容。

?文章地址：

https://towardsdatascience.com/object-detection-with-10-lines-of-code-d6cb4d86f606

本文鏈接：

https://medium.mybridge.co/machine-learning-top-10-articles-for-the-past-month-v-july-2018-832c47937597

標(biāo)簽： Google 代碼 開(kāi)發(fā)者 數(shù)據(jù)分析 搜索 網(wǎng)絡(luò)

版權(quán)申明：本站文章部分自網(wǎng)絡(luò)，如有侵權(quán)，請(qǐng)聯(lián)系：west999com@outlook.com
特別注意：本站所有轉(zhuǎn)載文章言論不代表本站觀點(diǎn)！
本站所提供的圖片等素材，版權(quán)歸原作者所有，如需使用，請(qǐng)與原作者聯(lián)系。