AI大事件 | Uber展示无人驾驶可视化工具，AI初创公司Appier获得3300万美元C轮融资

大数据文摘作品，转载要求见文末

作者 | 宁云州，Aileen

呜啦啦啦各位小伙伴大家好呀，又到了本周的AI大事件时间了。过去的一周中AI圈都发生了什么？大佬们互撕了哪些问题？研究者们发布了哪些值得一读的论文？又有哪些开源的代码和数据库可以使用了？了解过去一周AI爆点，一篇就够啦！

新闻

如何规范人工智能

来源：纽约时报

Elon Musk坚持认为人工智能代表着“对人类存在的根本威胁”，这是一个令人惊恐的观点，AI仿佛成为了科幻小说中终结人类的怪兽。 然而，很多AI研究人员也承认，人工智能对武器，工作和个人隐私的影响确实是令人担心的。

链接：https://www.nytimes.com/2017/09/01/opinion/artificial-intelligence-regulations-rules.html

Uber展示了无人驾驶的可视化工具

来源：Uber官网

Uber展示了一个有趣的基于网络的工具，可以用于探索和可视化自动驾驶汽车研究的数据。

链接：https://eng.uber.com/atg-dataviz/

NIPS 2017- 开始报名

来源：NIPS 2017官网

根据去年的经验，该会议的门票很可能很快就会售光。 NIPS是一个顶级的多轨机器学习和计算神经科学会议，会议包括受邀嘉宾会谈，示范，座谈会，演示文稿主题演讲等。

链接：https://nips.cc/

AI初创公司Appier从投资者那里获得了3300万美元C轮融资

来源：Techcrunch

Appier是一家帮助公司使用人工智能进行营销决策的中国台湾创业公司。这次融资使Appier的总资金达到了8200万美元。

链接：https://techcrunch.com/2017/08/29/ai-startup-appier-gets-33m-series-c-from-investors-including-softbank-group-line-corp-and-naver/

文章&教程

蒙特利尔大学暑期学校深度学习加强学习视频！

链接：http://videolectures.net/deeplearning2017_montreal/

蒙特利尔大学的深度学习（DLSS）和加强学习（RLSS）暑期学校的视频现在已经在网上公开啦。 它针对已经具有机器学习基础知识（但不一定是深度学习）的研究生，工程师和研究人员。

深度学习的四大趋势-ACL 2017心得体会

链接1：http://www.abigailsee.com/2017/08/30/four-deep-learning-trends-from-acl-2017-part-1.html

链接2：http://www.abigailsee.com/2017/08/30/four-deep-learning-trends-from-acl-2017-part-2.html

旧的自然语言处理方法是留下来了 ， 还是已经全部被新技术的大潮吞噬了？ 神经网络是我们唯一需要的技术吗？如今的实验都是非常观察性的，论文立即可以发布在arXiv上，使用GPU就能确定项目成功吗？-- 在这样的大环境下，如何做好科学研究？

深度学习时代下的图像目标检测概况

链接：https://tryolabs.com/blog/2017/08/30/object-detection-an-overview-in-the-age-of-deep-learning

计算机视觉中最受欢迎和最实际的任务之一，图像目标检测。梳理它的历史和现状。

代码，项目&数据

如何训练深度强化学习系统

来源：GITHUB.COM

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

一个关于John Schulman在伯克利进行深度强化学习教学的笔记合集。

深度学习中的背景去除

来源：MEDIUM.COM

链接：http://rev.vu/qlaN2?utm_campaign=Issue&utm_content=share&utm_medium=email&utm_source=The+Wild+Week+in+AI

这篇文章将教你构建一个真实世界的背景移除系统。背景去除如果通过手工或半手工做是非常容易的，但是完全自动化的背景去除却是一项非常具有挑战性的任务。

关于卷积的一种新实验

来源：MEDIUM.COM

链接：http://rev.vu/7YE0d?utm_campaign=Issue&utm_content=share&utm_medium=email&utm_source=The+Wild+Week+in+AI

主要思想：保持卷积矩阵的不变性，即卷积矩阵的列是正交的（以可微方式），这样就能确保输出特征映射中的每个通道都能捕获任何其他特征映射中不存在的信息。

TensorFlow中的模型收藏

来源：GITHUB.COM

链接：https://github.com/hwalsuklee/tensorflow-generative-model-collections?utm_campaign=Revue%20newsletter&utm_medium=Newsletter&utm_source=The%20Wild%20Week%20in%20AI

TensorFlow中各种GANs和VAEs模型的收藏，比你的GANs模型更有效哦。

爆款论文

基于卷积神经网络快速自动分析引力扭曲

来源：ARXIV.ORG

链接：https://arxiv.org/abs/1708.08842?utm_campaign=Revue%20newsletter&utm_medium=Newsletter&utm_source=The%20Wild%20Week%20in%20AI

来自美国能源部SLAC国家加速器实验室和斯坦福大学的研究人员首次证明，用卷积神经网络可以以超过传统方法1000倍的速度分析失控的复杂扭曲。

模仿恶意众包的自动攻击&防御网络审查系统

来源：ARXIV.ORG

链接：https://arxiv.org/abs/1708.08151?utm_campaign=Revue%20newsletter&utm_medium=Newsletter&utm_source=The%20Wild%20Week%20in%20AI

使用RNNs自动化生成对于产品和服务的虚假评论，以Yelp的评论为例，作者展示了一个两阶段的评论生成系统如何生成评论。他们还进行了一项基于调查的用户研究，表明这些评论不仅避开了人类的检测，而且在用户的“有用”度量上得分很高。

深度学习在游戏操作上的进展

来源：ARXIV.ORG

链接：https://arxiv.org/abs/1708.07902?utm_campaign=Revue%20newsletter&utm_medium=Newsletter&utm_source=The%20Wild%20Week%20in%20AI

这篇文章回顾了近年来在不同类型的电子游戏上深度学习的应用进展，如第一人称射击游戏、街机游戏和实时战略游戏等。

NIPS 2016的回顾和分析报告

来源：ARXIV.ORG

链接：https://arxiv.org/abs/1708.09794?utm_campaign=Revue%20newsletter&utm_medium=Newsletter&utm_source=The%20Wild%20Week%20in%20AI

NIPS（Neural Information Processing Systems）是一个机器学习领域的顶级年度会议。该会议的2016版包括2400多份论文、3000名审评员和8000名与会者，在提交的反馈方面增长了近40%，在评论方面增长了96%，在与会者方面比前一年增长了100%以上。在这份报告中，作者从几个方面分析了审查过程中收集到的数据，包括一个比较实验，从调查者那里收集基数评分数据更好还是收集序数评分数据更好？