机器学习人工学weekly-2018/1/21

1. Google Brain发布2017年总结贴,感觉今年vision方面已经没什么进展了,AutoML还是优先级最高的

链接:https://research.googleblog.com/2018/01/the-google-brain-team-looking-back-on.html

看TF在全世界的热度,中国绝对?的一塌糊涂

果然几天之后Google Cloud就宣布AutoML vision(对AutoML感兴趣的应该去读读Barret Zoph和Quoc Le的两篇论文Neural Architecture Search和Neural Optimizer Search,去年Berkeley RL课有一节就是请他们讲这个):

链接:https://www.blog.google/topics/google-cloud/cloud-automl-making-ai-accessible-every-business/

2. 芝加哥大学David McAllester教授的深度学习课slides,UChicago一向以学术严谨著称,这个课的内容很多,质量很不错,可惜没有视频

链接:http://ttic.uchicago.edu/~dmcallester/DeepClass/class.html

3. FloydHub(YC里面为数不多的作深度学习平台的公司)这篇blog蛮有意思,就是之前pix2code工作的延伸,直接从设计图生成HTML(其实就是image captioning),虽然目前看起来离实用还有一些距离,但是这个方向应该还是有前途的,算是program synthesis的一种吧

链接:https://blog.floydhub.com/Turning-design-mockups-into-code-with-deep-learning/

貌似airbnb设计团队已经在使用这个技术作快速experiment了

链接:https://airbnb.design/sketching-interfaces/

4. Facebook开源的StarSpace,可以用来学习各种情况下的embedding,star就是*通用符,space就是embedding空间。设计的非常灵活,可以做文本分类,推荐等许多事情,是个好工具

链接:https://github.com/facebookresearch/StarSpace/

5. OpenAI发布的gradient-checkpointing,在计算的时候只保留一部分中间节点的计算结果,这样通过牺牲计算时间来减少内存消耗,典型的用时间换空间,不过只比完整保留中间计算蛮20%,效果不错。最赞的是可以当成tf.gradient的drop-in replacement,无需巨大的代码改动

链接:https://github.com/openai/gradient-checkpointing

6. Judea Pearl(图灵奖得主,贝叶斯网络发明人,这届NIPS上是有点被冷落,其实很不应该)发文,主要还是探讨model-based以及causal reasoning的重要性,相比于深度学习这种model-blind的东西,model-based显然对于推理,因果分析更有用。model-based跟Yann LeCun说到的predictive learning和RL里面的model-based好像也有一些关系

链接:https://arxiv.org/pdf/1801.04016.pdf

7. Facebook何凯明大神等提出一个新的视觉任务 - panoptic segmentation,把instance segmentation和semantic segmentation结合,让算法不仅要找出每个像素的物体类别,还要找出instance id,把视觉的难度再往前提高了一步,这个还是早期工作,目前只是简单的把instance segmentation和semantic segmentation的算法结合起来做panoptic seg,后面应该还会有跟进工作

链接:https://arxiv.org/abs/1801.00868

8. 微软写了本关于AI的小书,主要是他们高层对AI的发展,政策以及对社会影响(工作等等)的思考,可以快速扫一眼

链接:https://blogs.microsoft.com/blog/2018/01/17/future-computed-artificial-intelligence-role-society

9. 偶然发现这个项目Featuretools,通过Deep Feature Synthesis自动生成features,减少特征工程的工作量

链接:https://github.com/featuretools/featuretools

论文:http://www.jmaxkanter.com/static/papers/DSAA_DSM_2015.pdf

10. 百度发布了 VisualDL,其实就是给其他框架用的TensorBoard,不过模型结构可视化用的是ONNX

链接:http://visualdl.paddlepaddle.org/

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:2018-01-21

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

来自专栏数据科学与人工智能

【算法】推荐算法--协同过滤

协同过滤推荐(Collaborative Filtering recommendation)是在信息过滤和信息系统中正迅速成为一项很受欢迎的技术。与传统的基于内...

1171
来自专栏新智元

【Science重磅】DeepMind生成查询网络GQN,无监督学习展现3D场景

1061
来自专栏目标检测和深度学习

干货|上线一个机器学习项目你需要哪些准备?

1212
来自专栏机器之心

专栏 | 有趣!用计算机视觉技术与PaddlePaddle打造AI控烟项目

百度工程师用 PaddlePaddle 训练出一套模型,能够对吸烟人群进行识别和适当提示。当摄像头捕捉到正在吸烟的同学,就会投射到大屏幕上。图为李彦宏和某个员工...

1180
来自专栏AI科技大本营的专栏

AI 行业实践精选:通过机器学习刺激销量——如何利用NLP挖掘潜在客户

【AI100 导读】在这篇博客中,作者会向大家介绍如何以更有效的方式通过 Xeneta 进行营销,会训练一个机器学习算法,通过对于公司的描述来预测潜在客户的质量...

3638
来自专栏AI科技评论

学界 | 用强化学习转鸡蛋、转笔,OpenAI发起新的机械手挑战

AI 科技评论按:富有挑战的新测试环境和任务,极具竞争力的基准模型,你感到兴奋和压力了吗? 为了方便快速开发迭代以及对比测试,各大人工智能机构都会在专门开发的模...

3724
来自专栏智能算法

机器视觉算法(系列一)--机器视觉简短入门

机器视觉是人工智能正在快速发展的一个分支。机器视觉作为生产过程中关键技术之一,在机器或者生产线上,机器视觉可以检测产品质量以便将不合格的产品剔除,或者指导机器人...

3598
来自专栏CDA数据分析师

数据挖掘:推荐系统综述以及美团推荐系统介绍

其实推荐系统前面已经讲过不少,那时候主要是放在机器学习上讲的,既然这次要系统撸一遍数据挖掘,就把推荐系统单独拿出来说一说。相信如果做过推荐系统的人,都知道是什么...

6608
来自专栏张俊红

数据分析学习笔记——数据可视化

数据分析学习笔记系列——数据可视化 总第45篇 ▼ 写在前面: 本篇来源于书籍《数据之美—一本书学会可视化设计》的学习后整理所得。全篇主要围绕数据可视化的5个步...

3529
来自专栏机器之心

前沿 | 如何解决深度学习中的多体问题

选自Medium 机器之心编译 参与:乾树 多个智能体如何协同工作才能高效完成任务?深度学习领域中的多体问题就像物理领域中的一样难解。很多研究机构正致力于研发先...

3567

扫码关注云+社区