译者 | ang010ela

编辑 | 姗姗

出品 | 人工智能头条(公众号ID:AI_Thinker)

【导读】在过去的一个月中, 作者从近 1400 篇有关机器学习的文章中挑选了最有可能帮助职业生涯发展的 10 篇推荐给大家(入选比率为0.7%)。

▌前言

这10篇文章涉及了 DeepMind 提出的 GQN 网络 、Open AI 多智能体在游戏任务中大获全胜背后的原理与技术、TensorFlow 的实践经验、如何给模型调优、如何用机器学习生成惊艳酷炫的作品、如何进行面部识别与只用 10 行代码就操作了一波目标检测等技术。可以说这波操作厉害了,各种类型总有一个会是你喜欢的!

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

摘要: DeepMind 在 Science 上发表了新论文《Neural scene representation and rendering》。论文介绍了一种新型计算机视觉算法,可以基于某个单一的平面图像,去从不同角度“想象”它的三维模型。该算法被称之为生成查询网络( GQN )。只需给人工智能一些二维场景图片,比如说一面砖墙、楼梯上的明亮球体和方块,人工智能就可以产生从不同角度观察这个场景的三维模拟图、渲染物体不同的面甚至解决相同光源下的阴影位置问题。GQN 建立在大量关于多视图几何,生成建模,无监督学习和预测学习的相关工作的研究基础上,但是它允许将相同的模型应用与一系列不同的环境,与更传统的计算机视觉技术相比,虽然还存在许多限制,然而随着新数据源的出现及硬件的不断进步,DeepMind 公司希望能够研究 GQN 框架在真实场景中更高分辨率图像中的应用;在未来的工作中,探索 GQN 在场景理解的更广泛应用。

论文题目:

Neural scene representation and rendering

论文地址:

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 近日也发表推文谈到,关于 GQN 已经有了新的拓展与应用。在本届 ICML 大会上,Google 将会与大家一起分享关于“深度生成模型的理论与应用”(Theoretical Foundations and Applications of Deep Generative Models)的主题研讨会,届时大家可以学习到更多有关 GQN 的内容。

研讨会介绍:

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

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

**

**

摘要:  加州大学欧文分校的StephenMcAleer及其同事开创了一种新的深度学习技术,并认为他们的方法是对问题进行推理的一种形式,称为“自主学习迭代(Autodidactic iteration)”,可以让机器自行解决魔方的问题,而无需人工协助。已经掌握的技巧是找到机器创建自己的奖励系统的方法。这是个意义重大的里程碑,因为新方法解决了计算机科学中的一个重要问题:如何在最少的帮助下让机器解决复杂的问题。当然,真正的考验是如何将这种方法应用到更复杂的问题上,也让很多人关心它将如何做到。

论文题目:

Solving the Rubik’s Cube Without Human Knowledge

论文地址:

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: 在机器学习中,应用统计学习技术来自动识别数据模型,还可用于进行高度准确的预测。利用数据创建一个机器学习模型,而建模的目标是通过识别和编码数据模型来逼近显示真实的情况,如果模型过于简单或复杂都会出错,本文章是机器学习的视觉介绍系列文章的第二篇:如何调整模型与偏差-方差的权衡。

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自学习多智能体5v5团队战击败DOTA2业余人类玩家,这代表着AI在决策智能上的能力大幅向前推进。OpenAI Five之所以战胜DOTA2的业余选手,主要原因在于它使用“近端策略优化”(PPO)的扩展版算法,在256个GPU和128000个CPU内核上进行训练。每个英雄都使用单独的LSTM,不使用人类数据,最终AI能够学会识别策略。比尔·盖茨也发推文称赞:这是一件大事,因为它们的胜利需要团队合作和协作——这是推进人工智能的一个巨大里程碑。

文章地址:

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

**

**

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

摘要: 本文作者Jacob来自GoogleAI Resident项目,他在2017年夏天开启了为期一年的Google研究型实习,在此之前他虽然有很多编程经验和机器学习经验,但没有使用过TensorFlow,而在他的实践经验中发现,将自己的想法变成 TensorFlow 的代码远比想象中要难。对于初学者来说,TensorFlow 可能也不如 PyTorch、DyNet直观,这篇文章就是Jacob为TensorFlow写的一个实用教程。作者通过更一般的方法,而非专注于一个特定的任务,使学习过程变得更直观。

文章地址:

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

▌NO.6 Abstract Art with ML

**

**

摘要: 本文讲述了如何用机器学习来进行抽象艺术创作。文章介绍了CPPN网络,这是一个连续且可微分的网络,可以在浏览器中运行模式生成器,亲自体验可以生成这些惊艳又酷炫作品的神经网络。

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首先分享了数据爬取、清理、可视化等步骤,到进行EDA 数据分析的初探,发现了一些有趣的现象,进而介绍随机森林算法,训练模型并预测房租的经验。

文章地址:

[https://towardsdatascience.com/going-dutch-part-2-improving-a-machine-learning-model-using-ge