译者 | ang010ela

编辑 | 姗姗

出品 | 人工智能头条（公众号ID：AI_Thinker）

【导读】在过去的一个月中， 作者从近 1400 篇有关机器学习的文章中挑选了最有可能帮助职业生涯发展的 10 篇推荐给大家（入选比率为0.7%）。

（此前发布过多篇收藏党喜欢的文章，也是来自Mybridge：①Python 开源项目 Top 10 精选，平均star为1128！②从15000个Python开源项目中精选的Top30，Github平均star为3707，赶紧收藏！③我们从8800个机器学习开源项目中精选出Top30，推荐给你④5月Python好文TOP 10新鲜出炉⑤Keras、卷积神经网络、Pytorch 以及音频处理优秀文章推荐⑥机器学习 TOP 10 必读论文⑦Top 50机器学习项目实战总结）

▌前言

这10篇文章涉及了 DeepMind 提出的 GQN 网络 、Open AI 多智能体在游戏任务中大获全胜背后的原理与技术、TensorFlow 的实践经验、如何给模型调优、如何用机器学习生成惊艳酷炫的作品、如何进行面部识别与只用 10 行代码就操作了一波目标检测等技术。可以说这波操作厉害了，各种类型总有一个会是你喜欢的！

▌No.1 Neural scene representation and rendering: DeepMind self-training computer creates 3D model from 2D snapshots

摘要：DeepMind 在 Science 上发表了新论文《Neural scene representation and rendering》。论文介绍了一种新型计算机视觉算法，可以基于某个单一的平面图像，去从不同角度“想象”它的三维模型。该算法被称之为生成查询网络（ GQN ）。只需给人工智能一些二维场景图片，比如说一面砖墙、楼梯上的明亮球体和方块，人工智能就可以产生从不同角度观察这个场景的三维模拟图、渲染物体不同的面甚至解决相同光源下的阴影位置问题。GQN 建立在大量关于多视图几何，生成建模，无监督学习和预测学习的相关工作的研究基础上，但是它允许将相同的模型应用与一系列不同的环境，与更传统的计算机视觉技术相比，虽然还存在许多限制，然而随着新数据源的出现及硬件的不断进步，DeepMind 公司希望能够研究 GQN 框架在真实场景中更高分辨率图像中的应用；在未来的工作中，探索 GQN 在场景理解的更广泛应用。

论文题目：

Neural scene representation and rendering

论文地址：

文章地址：

▌聚焦 ICML

Deep Mind 近日也发表推文谈到，关于 GQN 已经有了新的拓展与应用。在本届 ICML 大会上，Google 将会与大家一起分享关于“深度生成模型的理论与应用”（Theoretical Foundations and Applications of Deep Generative Models）的主题研讨会，届时大家可以学习到更多有关 GQN 的内容。

研讨会介绍：

▌No.2 A machine has figured out Rubik’s Cube all by itself

摘要：加州大学欧文分校的StephenMcAleer及其同事开创了一种新的深度学习技术，并认为他们的方法是对问题进行推理的一种形式，称为“自主学习迭代（Autodidactic iteration）”，可以让机器自行解决魔方的问题，而无需人工协助。已经掌握的技巧是找到机器创建自己的奖励系统的方法。这是个意义重大的里程碑，因为新方法解决了计算机科学中的一个重要问题：如何在最少的帮助下让机器解决复杂的问题。当然，真正的考验是如何将这种方法应用到更复杂的问题上，也让很多人关心它将如何做到。

论文题目：

Solving the Rubik's Cube Without Human Knowledge

论文地址：

文章地址：

▌No.3 A visual introduction to machine learning, Part II

摘要：在机器学习中，应用统计学习技术来自动识别数据模型，还可用于进行高度准确的预测。利用数据创建一个机器学习模型，而建模的目标是通过识别和编码数据模型来逼近显示真实的情况，如果模型过于简单或复杂都会出错，本文章是机器学习的视觉介绍系列文章的第二篇：如何调整模型与偏差-方差的权衡。

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自学习多智能体5v5团队战击败DOTA2业余人类玩家，这代表着AI在决策智能上的能力大幅向前推进。OpenAI Five之所以战胜DOTA2的业余选手，主要原因在于它使用“近端策略优化”（PPO）的扩展版算法，在256个GPU和128000个CPU内核上进行训练。每个英雄都使用单独的LSTM，不使用人类数据，最终AI能够学会识别策略。比尔·盖茨也发推文称赞：这是一件大事，因为它们的胜利需要团队合作和协作——这是推进人工智能的一个巨大里程碑。

文章地址：

▌NO.5 Tensorflow: The Confusing Parts (1)

摘要：本文作者Jacob来自GoogleAI Resident项目，他在2017年夏天开启了为期一年的Google研究型实习，在此之前他虽然有很多编程经验和机器学习经验，但没有使用过TensorFlow，而在他的实践经验中发现，将自己的想法变成 TensorFlow 的代码远比想象中要难。对于初学者来说，TensorFlow 可能也不如 PyTorch、DyNet直观，这篇文章就是Jacob为TensorFlow写的一个实用教程。作者通过更一般的方法，而非专注于一个特定的任务，使学习过程变得更直观。

文章地址：

▌NO.6 Abstract Art with ML

摘要：本文讲述了如何用机器学习来进行抽象艺术创作。文章介绍了CPPN网络，这是一个连续且可微分的网络，可以在浏览器中运行模式生成器，亲自体验可以生成这些惊艳又酷炫作品的神经网络。

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首先分享了数据爬取、清理、可视化等步骤，到进行EDA 数据分析的初探，发现了一些有趣的现象，进而介绍随机森林算法，训练模型并预测房租的经验。

文章地址：

视频地址：

▌No.8 Face recognition with OpenCV, Python, and deep learning

摘要：文章讲述了如何用 OpenCV 、Python 、深度学习技术在图片和视频流中进行人脸识别。作者首先简要介绍了面部识别的深度学习概念，帮助大家安装实践过程所需要的库，最后带领大家进行面部识别。

文章地址：

▌NO.9 Food Discovery with Uber Eats: Building a Query Understanding Engine | Uber Engineering Blog

摘要：通过构建查询理解引擎的方式来更好的向用户进行食物推荐。Uber Eats 努力帮助食客尽可能轻松地找到他们想要的确切事物，通过搜索和推荐技术及机器学习的最新进展来完成这项任务，本文首先为大家重点介绍如何通过内部食品知识图谱构建Uber Eats 的查询理解引擎及如何帮助更好的理解用户意图相关工作。

文章地址：

▌No.10Object Detection with 10 lines of code

摘要：作者Moses Olafenwa 是一位自学计算机的开发者，他与同伴一起开发了一个名叫 ImageAI 的Python 函数库。 ImageAI 可以让程序员和软件开发者只用几行代码，就能轻易地把最先进的计算机视觉技术整合到他们现有的以及新的应用程序里面。

作为人工智能的一个重要领域，计算机视觉是一门可以识别并理解图像和场景的计算机及软件系统科学。该领域主要包括图像识别，目标检测，图像生成，图像超分辨率等多个方向。由于现实中存在众多的实际案例，目标检测应该是计算机视觉中最令人深刻的一个方向。在人工智能头条之前给大家介绍的教程中，简要介绍了目标检测的概念，软件开发人员所面临的挑战，相应的解决方案以及执行高性能目标检测的编码教程等内容。

文章地址：

本文链接：