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%）。

▌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：

http://science.sciencemag.org/content/360/6394/1204

文章地址：

https://deepmind.com/blog/neural-scene-representation-and-rendering

▌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：

https://sites.google.com/corp/view/tadgm/home

▌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：

https://arxiv.org/abs/1805.07470

文章地址：

https://www.technologyreview.com/s/611281/a-machine-has-figured-out-rubiks-cube-all-by-itself/

▌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：

http://www.r2d3.us/visual-intro-to-machine-learning-part-2/

此系列文章第一篇地址：

http://www.r2d3.us/visual-intro-to-machine-learning-part-1/

▌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：

https://blog.openai.com/openai-five

**

**

▌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：

http://jacobbuckman.com/post/tensorflow-the-confusing-parts-1

▌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：

https://janhuenermann.com/blog/abstract-art-with-ml

▌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：

[https://towardsdatascience.com/going-dutch-part-2-improving-a-machine-learning-model-using-ge