【導(dǎo)讀】在過去的一個月中， 作者從近 1400 篇有關(guān)機器學(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%）。
（此前發(fā)布過多篇收藏黨喜歡的文章，也是來自Mybridge：①Python 開源項目 Top 10 精選，平均star為1128！ ② 從15000個Python開源項目中精選的Top30，Github平均star為3707，趕緊收藏！ ③我們從8800個機器學(xué)習(xí)開源項目中精選出Top30，推薦給你 ④5月Python好文TOP 10新鮮出爐 ⑤Keras、卷積神經(jīng)網(wǎng)絡(luò)、Pytorch 以及音頻處理優(yōu)秀文章推薦 ⑥機器學(xué)習(xí) TOP 10 必讀論文 ⑦Top 50機器學(xué)習(xí)項目實戰(zhàn)總結(jié)）
▌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 的實踐經(jīng)驗、如何給模型調(diào)優(yōu)、如何用機器學(xué)習(xí)生成驚艷酷炫的作品、如何進行面部識別與只用 10 行代碼就操作了一波目標(biāo)檢測等技術(shù)?？梢哉f這波操作厲害了，各種類型總有一個會是你喜歡的！
▌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算機視覺算法，可以基于某個單一的平面圖像，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景圖片，比如說一面磚墻、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場景的三維模擬圖、渲染物體不同的面甚至解決相同光源下的陰影位置問題。GQN 建立在大量關(guān)于多視圖幾何，生成建模，無監(jiān)督學(xué)習(xí)和預(yù)測學(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)的計算機視覺技術(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)及硬件的不斷進步，DeepMind 公司希望能夠研究 GQN 框架在真實場景中更高分辨率圖像中的應(yīng)用；在未來的工作中，探索 GQN 在場景理解的更廣泛應(yīng)用。
論文題目：
Neural scene representation and rendering
論文地址：
文章地址：
▌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 大會上，Google 將會與大家一起分享關(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，屆時大家可以學(xué)習(xí)到更多有關(guān) GQN 的內(nèi)容。
研討會介紹：
▌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及其同事開創(chuàng)了一種新的深度學(xué)習(xí)技術(shù)，并認為他們的方法是對問題進行推理的一種形式，稱為“自主學(xué)習(xí)迭代（Autodidactic iteration）”，可以讓機器自行解決魔方的問題，而無需人工協(xié)助。已經(jīng)掌握的技巧是找到機器創(chuàng)建自己的獎勵系統(tǒng)的方法。這是個意義重大的里程碑，因為新方法解決了計算機科學(xué)中的一個重要問題：如何在最少的幫助下讓機器解決復(fù)雜的問題。當(dāng)然，真正的考驗是如何將這種方法應(yīng)用到更復(fù)雜的問題上，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：
文章地址：
▌No.3 A visual introduction to machine learning, Part II
摘要：在機器學(xué)習(xí)中，應(yīng)用統(tǒng)計學(xué)習(xí)技術(shù)來自動識別數(shù)據(jù)模型，還可用于進行高度準(zhǔn)確的預(yù)測。利用數(shù)據(jù)創(chuàng)建一個機器學(xué)習(xí)模型，而建模的目標(biāo)是通過識別和編碼數(shù)據(jù)模型來逼近顯示真實的情況，如果模型過于簡單或復(fù)雜都會出錯，本文章是機器學(xué)習(xí)的視覺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：
此系列文章第一篇地址：
▌NO.4 OpenAI Five: Defeating amateur human players at Dota 2
摘要：OpenAI自學(xué)習(xí)多智能體5v5團隊?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。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）的擴展版算法，在256個GPU和128000個CPU內(nèi)核上進行訓(xùn)練。每個英雄都使用單獨的LSTM，不使用人類數(shù)據(jù)，最終AI能夠?qū)W會識別策略。比爾·蓋茨也發(fā)推文稱贊：這是一件大事，因為它們的勝利需要團隊合作和協(xié)作——這是推進人工智能的一個巨大里程碑。
文章地址：
▌NO.5 Tensorflow: The Confusing Parts (1)
摘要：本文作者Jacob來自GoogleAI Resident項目，他在2017年夏天開啟了為期一年的Google研究型實習(xí)，在此之前他雖然有很多編程經(jīng)驗和機器學(xué)習(xí)經(jīng)驗，但沒有使用過TensorFlow，而在他的實踐經(jīng)驗中發(fā)現(xiàn)，將自己的想法變成 TensorFlow 的代碼遠比想象中要難。對于初學(xué)者來說，TensorFlow 可能也不如 PyTorch、DyNet直觀，這篇文章就是Jacob為TensorFlow寫的一個實用教程。作者通過更一般的方法，而非專注于一個特定的任務(wù)，使學(xué)習(xí)過程變得更直觀。
文章地址：
▌NO.6 Abstract Art with ML
摘要：本文講述了如何用機器學(xué)習(xí)來進行抽象藝術(shù)創(chuàng)作。文章介紹了CPPN網(wǎng)絡(luò)，這是一個連續(xù)且可微分的網(wǎng)絡(luò)，可以在瀏覽器中運行模式生成器，親自體驗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：
▌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，進而介紹隨機森林算法，訓(xùn)練模型并預(yù)測房租的經(jīng)驗。
文章地址：
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行人臉識別。作者首先簡要介紹了面部識別的深度學(xué)習(xí)概念，幫助大家安裝實踐過程所需要的庫，最后帶領(lǐng)大家進行面部識別。
文章地址：
▌NO.9 Food Discovery with Uber Eats: Building a Query Understanding Engine | Uber Engineering Blog
摘要：通過構(gòu)建查詢理解引擎的方式來更好的向用戶進行食物推薦。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，通過搜索和推薦技術(shù)及機器學(xué)習(xí)的最新進展來完成這項任務(wù)，本文首先為大家重點介紹如何通過內(nèi)部食品知識圖譜構(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：
▌No.10 Object Detection with 10 lines of code
摘要：作者Moses Olafenwa 是一位自學(xué)計算機的開發(fā)者，他與同伴一起開發(fā)了一個名叫 ImageAI 的Python 函數(shù)庫。 ImageAI 可以讓程序員和軟件開發(fā)者只用幾行代碼，就能輕易地把最先進的計算機視覺技術(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重要領(lǐng)域，計算機視覺是一門可以識別并理解圖像和場景的計算機及軟件系統(tǒng)科學(xué)。該領(lǐng)域主要包括圖像識別，目標(biāo)檢測，圖像生成，圖像超分辨率等多個方向。由于現(xiàn)實中存在眾多的實際案例，目標(biāo)檢測應(yīng)該是計算機視覺中最令人深刻的一個方向。在人工智能頭條之前給大家介紹的教程中，簡要介紹了目標(biāo)檢測的概念，軟件開發(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)檢測的編碼教程等內(nèi)容。
?文章地址：
本文鏈接：
聯(lián)系客服
