最新機器學(xué)習(xí)開源項目Top10
2018-11-22 來源：raincent
作者： Mybridge
譯者：Linstancy
過去一個月里，我們對近 1400 個機器學(xué)習(xí)項目進行了排名，并挑選出熱度前 10 的項目。這份清單涵蓋了包括 OpenAI 最新開發(fā)的 RND 算法、Uber 構(gòu)建的第一個自然語言處理平臺、由 Berkeley 研究人員提出的從視頻內(nèi)容中進行學(xué)習(xí)的 Acrobatics 框架、可以與 Amazon 的Echo 設(shè)備交互的 Anatomy 系統(tǒng)等。希望大家可以找到自己感興趣的項目。
1：RND
OpenAI 最近開發(fā)了 RND( Random Network Distillation)，一種基于預(yù)測的強化學(xué)習(xí)算法，用于鼓勵強化學(xué)習(xí)代理通過好奇心來探索他們所處環(huán)境。在游戲任務(wù) Montezuma's Revenge 上首次超過人類的平均表現(xiàn)。
RND 通過衡量預(yù)測狀態(tài)下隨機神經(jīng)網(wǎng)絡(luò)固定輸出的難度來激勵代理訪問不熟悉的狀態(tài)。由于在不熟悉的狀態(tài)下，輸出很難預(yù)測，因此獎勵被設(shè)置的很高。在這項任務(wù)中，RND 能夠定期查找所有 24 個房間，并在不使用演示或訪問游戲的基本狀態(tài)情況下實現(xiàn)當(dāng)前最先進的表現(xiàn)。此外，它易于實現(xiàn)且能夠高效擴展，能夠用于其他任何的強化學(xué)習(xí)算法。更多詳細信息，大家可以參見 RND 論文，參考并重現(xiàn)論文的結(jié)果。
論文鏈接
https://arxiv.org/abs/1810.12894
項目主頁鏈接：
https://blog.openai.com/reinforcement-learning-with-prediction-based-rewards/?utm_source=mybridge&utm_medium=blog&utm_campaign=read_more
2：Anatomy
Anatomy of AI System Geospatial 是一個可以與 Amazon Echo 設(shè)備交互的應(yīng)用。通過此應(yīng)用我們能夠?qū)蝹� AI 系統(tǒng)進行詳細的解剖，了解其中資源分配，預(yù)測，網(wǎng)絡(luò)優(yōu)化等模塊之間的關(guān)系。
項目主頁鏈接：
https://anatomyof.ai/?utm_source=mybridge&utm_medium=blog&utm_campaign=read_more
3：Acrobatics
Learning Acrobatics by Watching Youtube 是 Berkeley 研究人員提出的一種可以從視頻中學(xué)習(xí)技能的框架。通過結(jié)合計算機視覺和強化學(xué)習(xí)方面的最先進技術(shù)，此系統(tǒng)能夠基于視頻剪輯數(shù)據(jù)，模擬角色并從中學(xué)習(xí)各種技能。給定人物正在執(zhí)行某些技能的視頻，如側(cè)空翻或后空翻，該系統(tǒng)能夠?qū)W習(xí)模擬并再現(xiàn)這些技能策略，而無需任何手動姿勢注釋。更多詳細信息可以參見相關(guān)論文及項目主頁。
論文鏈接：
https://xbpeng.github.io/projects/SFV/2018_TOG_SFV.pdf
項目主頁鏈接：
https://bair.berkeley.edu/blog/2018/10/09/sfv/?utm_source=mybridge&utm_medium=blog&utm_campaign=read_more
4：Model-based Machine Learning
Model-based Machine Learning 是一個應(yīng)用機器學(xué)習(xí)來解決現(xiàn)實世界問題的開源教程，目前該書籍仍在更新階段。
項目主頁鏈接：
http://mbmlbook.com/toc.html?utm_source=mybridge&utm_medium=blog&utm_campaign=read_more
5：NLP & Deep Learning
NLP & Deep Learning 是由 Uber 團隊構(gòu)建的一個自然語言平臺(NLP)，用于在票證文本中查找與地圖數(shù)據(jù)相關(guān)的問題，并在此平臺指定觸發(fā)故障單的特定類型的地圖數(shù)據(jù)，以便相應(yīng)的高精地圖團隊能夠評估問題并確定解決方案。
項目主頁鏈接：
https://eng.uber.com/nlp-deep-learning-uber-maps/
6：Neural Network
該項目是基于 Numpy 實現(xiàn)一個神經(jīng)網(wǎng)絡(luò)的過程。現(xiàn)在通過使用像 Keras，TensorFlow 或 PyTorch 這樣的高級框架，我們可以快速構(gòu)建非常復(fù)雜的神經(jīng)網(wǎng)絡(luò)模型。但是，對于神經(jīng)網(wǎng)絡(luò)的基本概念及其內(nèi)部的原理結(jié)構(gòu)，仍然值得我們?nèi)ド钊肓私狻Ｒ虼诉@個項目將嘗試利用數(shù)學(xué)的理論知識，僅使用 NumPy 構(gòu)建一個完全可操作的神經(jīng)網(wǎng)絡(luò)。在項目的最后，還將測試我們所構(gòu)建的模型，用其解決一個簡單的分類問題，并將其性能與使用 Keras 構(gòu)建的神經(jīng)網(wǎng)絡(luò)模型性能進行比較，更多信息可以訪問項目的主頁。
項目主頁鏈接：
https://towardsdatascience.com/lets-code-a-neural-network-in-plain-numpy-ae7e74410795
7：Curiosity and Procrastination in RL
該是個項目是 Google Brain、DeepMind 團隊和 ETHZ 研究人員合共同作的結(jié)成果他旨在探索 curiosity 和 procrastination 策略在強化學(xué)習(xí) (RL) 領(lǐng)域的應(yīng)用。們提出一種新的機遇情景記憶的模型，它可以提供一種類似于好奇心(curiosity)的RL獎勵，，用于智能體來探索環(huán)境。由于智能體不僅要探索新的環(huán)境，而且還要解決原始任務(wù)，因此該模型將所提供的獎勵添加到原始的稀疏任務(wù)獎勵中。因此，合并后的獎勵不再稀疏，這使得標(biāo)準RL 算法可以從中學(xué)習(xí)，而這種基于 curiosity 的 RL 算法可以擴展到其他任務(wù)的數(shù)據(jù)集中。更多信息可以查看 Google AI Blog 上的相關(guān)內(nèi)容。
項目主頁鏈接：
https://ai.googleblog.com/2018/10/curiosity-and-procrastination-in.html?utm_source=mybridge&utm_medium=blog&utm_campaign=read_more
8：Detecting Faces
Detecting Faces 是基于 Viola Jones 算法的一個人臉檢測開源項目，在 Youtube 上展示了其 demo 視頻，里面有豐富的內(nèi)容可供讀者觀看，我們已經(jīng)給大家下載好了，不用翻墻啦~
項目主頁鏈接：
https://www.youtube.com/watch?v=uEJ71VlUmMQ
9：Turing Machine Learning Models
該項目旨在將構(gòu)建好的機器學(xué)習(xí)模型集成到一個 API 上，以便在下次需要使用時能夠輕松調(diào)用并使用它的功能。這對于滿足現(xiàn)實世界軟件產(chǎn)品的開發(fā)及部署工作來說是至關(guān)重要的。
項目主頁鏈接：
https://www.datacamp.com/community/tutorials/machine-learning-models-api-python?utm_source=mybridge&utm_medium=blog&utm_campaign=read_more
10：Language Translator
Language Translator 是一個開源的自然語言翻譯項目，旨在構(gòu)建一個自然語言翻譯器，通過自主學(xué)習(xí)翻譯規(guī)則，從頭開始進行語言翻譯任務(wù)。
項目主頁鏈接：
https://blog.floydhub.com/language-translator/?utm_source=mybridge&utm_medium=blog&utm_campaign=read_more
原文鏈接：https://medium.mybridge.co/machine-learning-top-10-articles-for-the-past-month-v-nov-2018-35f1fd88cb49
標(biāo)簽： Google 排名 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！
本站所提供的圖片等素材，版權(quán)歸原作者所有，如需使用，請與原作者聯(lián)系。
