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

来自专栏新智元

【干货】如何快速高效调试机器学习系统?

【新智元导读】机器学习的“难”通常不在于数学,因为机器学习本身不需要很高强度的数学计算,而在于 debugging 难的问题。机器学习 debug 要比普通计算...

3539
来自专栏数据科学与人工智能

【大规模机器学习】大规模机器学习流程的构建与部署

大规模机器学习流程的构建与部署 现在有许多的机器学习算法实现是可以扩展到大数据集上的(其中包括矩阵分解、SVM、逻辑回归、LASSO 等等)。实际上,机器学习专...

27910
来自专栏养码场

最系统,最通俗易懂的“深度学习”干货送上!看完这些,绝对让你搞懂深度学习!

要说深度学习的学习资料,场主不得不推荐一份300多页的PPT,是台湾李宏毅教授所写。这份PPT有一个极其标题党的名字,叫《1天搞懂深度学习》,莫不说李教授是被深...

662
来自专栏超智能体

其实你早就学会了“英语”

1089
来自专栏腾讯移动品质中心TMQ的专栏

【AI专栏】识别类评测之数据篇

区别于传统测试的重路径,识别类评测更重数据。识别类的输入不被限制在软件可控范围内,而是包罗万象各种可能。不同的输入数据组合,得出来的评测结论也会截然不同。手机Q...

3120
来自专栏IT大咖说

别急!看完文章再来说你懂TensorFlow

1181
来自专栏企鹅号快讯

忆阻器制成神经网络更高效

据英国《每日邮报》网站近日报道,美国密歇根大学的科学家设计出一种由忆阻器制成的新型神经网络系统——储备池计算系统,它可以教机器像人类一样思考,并显著提升效率。而...

1909
来自专栏机器之心

学界 | 推荐系统顶会 RecSys2018 最佳论文奖出炉!因果嵌入推荐与用户研究成为焦点

RecSys 2018 的最佳长论文(Best Long Paper Award)由 Criteo 人工智能实验室的 Stephen Bonner 和 Flav...

823
来自专栏机器之心

专栏|阿里妈妈资深技术专家刘凯鹏解读基于深度学习的智能搜索营销

机器之心专栏 作者:刘凯鹏 本文结合阿里电商业务场景的特点,介绍了阿里在匹配端和排序端的基于深度学习的一些工作。 搜索营销(sponsored search)是...

3395
来自专栏CDA数据分析师

机器学习算法 Python & R 速查表

在拿破仑?希尔的名著《思考与致富》中讲述了达比的故事:达比经过几年的时间快要挖掘到了金矿,却在离它三英尺的地方离开了! 现在,我不知道这个故事是否真实。但是,我...

1596

扫码关注云+社区