机器学习人工学weekly-2018/2/25

注意下面很多链接都需要翻墙,无奈国情如此。

1. 学习MXNet的资源

1.1 用MXNet根据logo图片预测公司名称

Logo detection using Apache MXNet

链接:https://www.oreilly.com/ideas/logo-detection-using-apache-mxnet?imm_mid=0fb1e0&cmp=em-data-na-na-newsltr_ai_20180212

1.2 虽然我是PyTorch/TF派,但是还是推荐Amazon李沐大神的MXNet视频教程第一季完整版

百度云链接:https://pan.baidu.com/s/1mkeilnE#list/path=%2F

2. WildML blog用RL做trading炒股票/比特币。作者之前在Google Brain当resident(可惜没留下),他的newsletter非常值得subscribe,其实我贴的很多东西也是从他那里看到的

Introduction to Learning to Trade with Reinforcement Learning

链接:http://www.wildml.com/2018/02/introduction-to-learning-to-trade-with-reinforcement-learning/

3. 三个survey,都很长

3.1 CNN做图像分类,最经典的task

Deep Convolutional Neural Networks for Image Classification: A Comprehensive Review

链接:https://www.mitpressjournals.org/doi/pdf/10.1162/neco_a_00990

3.2 CV模型可解释性的一个survey

Visual Interpretability for Deep Learning: a Survey

链接:https://arxiv.org/pdf/1802.00614.pdf

其中提到的这个LIME这个有点老,但是我觉得是个好工具,是在模型解释方面的工作。用局部线性模型去逼近classifier的decision boundary来取得解释性

blog:https://www.oreilly.com/learning/introduction-to-local-interpretable-model-agnostic-explanations-lime

repo链接:https://github.com/marcotcr/lime?utm_campaign=Revue%20newsletter&utm_medium=Newsletter&utm_source=The%20Wild%20Week%20in%20AI

3.3 online learning的一个巨长的survey,我不是搞这个方向也没有时间读完(?)

Online Learning: A Comprehensive Survey

链接:https://arxiv.org/pdf/1802.02871.pdf

4. Google的MobileNetV2,通过使用inverted residual connections和linear bottlenet在移动端加速,ImageNet效果比MobileNetV1, NasNet和ShuffleNet更快更准,也可以用来做feature extractor拿去做object detection和semantic segmentation

Inverted Residuals and Linear Bottlenecks: Mobile Networks for Classification, Detection and Segmentation

链接:https://arxiv.org/pdf/1801.04381.pdf

5. Facebook发布Tensor Comprehension,类似于TF XLA和TVM,把机器学习framework-level的代码自动生成优化过的高性能硬件MKL/cuDNN代码

Announcing Tensor Comprehensions

链接:https://research.fb.com/announcing-tensor-comprehensions/

6. 这个好,看舌头图片给开出重要配方。虽然算法上我觉得一般,但是是超实用的场景。我都想用这个做一个小程序 :)

链接:https://arxiv.org/pdf/1802.02203.pdf

7. neural architucture search相关

7.1 Google Brain用改进的进化算法做architure search搜索图片分类器,没有特别大的创新,但是效果还不错

Regularized Evolution for Image Classifier Architecture Search

链接:https://arxiv.org/pdf/1802.01548.pdf

7.2 Google Brain提出的Efficient NAS (ENAS),最关键的idea是站在计算图的角度来看,NAS的很多计算都是DAG这个大图的一部分,子模型的参数是可以复用的。结果就是搜索快了n倍,效果损失的不多。这个东西肯定很快就会被用到Google Cloud AutoML上了,绝对的省电省钱

Efficient Neural Architecture Search via Parameter Sharing

链接:https://arxiv.org/pdf/1802.03268.pdf

PyTorch实现

链接:https://github.com/carpedm20/ENAS-pytorch?utm_campaign=Revue%20newsletter&utm_medium=Newsletter&utm_source=The%20Wild%20Week%20in%20AI

7.3 ICLR一篇被接受的论文SMASH

SMASH: ONE-SHOT MODEL ARCHITECTURE SEARCH THROUGH HYPERNETWORKS

链接:https://openreview.net/pdf?id=rydeCEhs-

8. 神经网络pruning(此兄的文章每次都挺有深度,值得follow)

Pruning Neural Networks: Two Recent Papers

链接:http://www.inference.vc/pruning-neural-networks-two-recent-papers/

9. 实战好文,从PyTorch到CoreML再到React Native,前端后端ML一起搞定

How I Shipped a Neural Network on iOS with CoreML, PyTorch, and React Native

链接:https://attardi.org/pytorch-and-coreml

10. AI大佬们的对话

10.1 Yann LeCun, Eric Horvitz(微软)和Peter Norvig(Google/Stanford)的Reddit AMA

链接:https://www.reddit.com/r/science/comments/7yegux/aaas_ama_hi_were_researchers_from_google/

10.2 Stanford AI Lab办的AI Salon,终于放了一个视频,是Yann LeCun和Chris Manning(NLP大神)的对话,非常值得一看。不知道之后的视频会不会开放,可以去AI Salon网页跟进,他们的YouTube频道也值得订阅

What innate priors should we build into the architecture of deep learning systems?

链接:https://www.youtube.com/channel/UCpZRSrm2kmG8JvqP2Nqb0fQ/featured

*OpenAI跟一大堆机构写的一篇关于AI安全的长文。安全是个大问题

The Malicious Use of Artificial Intelligence: Forecasting, Prevention, and Mitigation

链接:https://arxiv.org/pdf/1802.07228.pdf

原文发布于微信公众号 - 机器学习人工学weekly(MLandHuman)

原文发表时间:2018-02-25

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏大数据挖掘DT机器学习

【趣味】数据挖掘(5)—分房与分类

中老年回顾歌曲集中有这样一首歌:月亮在白莲花般的云朵里穿行,晚风吹来一阵阵欢乐的歌声,我们坐在高高的谷堆旁边,听妈妈讲那过去的事情……   歌词美,旋律也美...

3063
来自专栏腾讯云数据处理团队的专栏

万象优图:图片成本优化的瑞士军刀

引言不知道每天上下班的你坐在地铁公交上会刷哪些app呢?也许正为周末和朋友去哪里聚会而挑选餐厅;也许刷着朋友圈看看朋友们有哪些新动态;也许在Ins上浏览着大V博...

4111
来自专栏思影科技

基于局部脑血流量和工作记忆表现预测2年内血压变化

贝叶斯推荐你关注思影科技 来自美国匹兹堡大学精神病与心理学部的J.Richard Jennings等人在Hypertension杂志上发文指出,基于ASL成像的...

3336
来自专栏pangguoming

JAVA智能设备基于OpenGL的3D开发技术 之AABB碰撞检测算法论述

摘要:无论是PC机的3D还是智能设备应用上,碰撞检测始终是程序开发的难点,甚至可以用碰撞检测作为衡量3D引擎是否完善的标准。现有许多3D碰撞检测算法,其中AAB...

43510
来自专栏大数据文摘

脑洞 | 还在为万圣节穿什么发愁?AI给出的这份穿搭建议你敢试试吗

聊起机器学习的时候,人们总觉得它特别的神秘。我们知道AI算法能完成一些任务,但是不知道它具体是怎么做到的。

834
来自专栏CreateAMind

中科院说的深度学习指令集diannaoyu到底是什么?寒武纪4篇论文的解读--下

2016年3月,中国科学院计算技术研究所陈云霁、陈天石课题组提出的深度学习处理器指令集DianNaoYu被计算机体系结构领域顶级国际会议ISCA2016(Int...

2574
来自专栏CVer

CVPR 2018 收录论文名单全公布

本文将介绍 CVPR 2018 所有录用论文的标题, 包括每篇论文属于 oral, spotlight还是 poster的情况. 大家可以根据论文的标题去 go...

1812
来自专栏数说工作室

训练集是题库,测试集就是高考!| 不能更简单通俗的机器学习名词解释

1. train? valid? or test? 机器学习最明显的一个特点是需要大量的数据。特别对监督学习来说,就是需要大量的带标签数据(labeled da...

4568
来自专栏Data Analysis & Viz

图像检索(一):因缘际会与前瞻

之前因为学习Keras的缘故,看到一个图像检索的Demo,代码实现了输入一张查询照片,检索出最相似的n张照片的效果。

1012
来自专栏AI科技评论

干货 | 不能更通俗易懂的机器学习名词解释

train? valid? or test? 机器学习最明显的一个特点是需要大量的数据。特别对监督学习来说,就是需要大量的带标签数据(labeled dat...

3877

扫码关注云+社区

领取腾讯云代金券