2018年AI和ML（NLP、计算机视觉、强化学习）技术总结和2019年趋势（下）
?4、工具和庫
工具和庫是數(shù)據(jù)科學(xué)家的基礎(chǔ)。我參與了大量關(guān)于哪種工具最好的辯論，哪個框架會取代另一個，哪個庫是經(jīng)濟計算的縮影等等。
但有一點共識--我們需要掌握該領(lǐng)域的最新工具，否則就有被淘汰的風(fēng)險。?Python取代其他所有事物并將自己打造成行業(yè)領(lǐng)導(dǎo)者的步伐就是這樣的例子。?當(dāng)然，其中很多都歸結(jié)為主觀選擇，但如果你不考慮最先進的技術(shù)，我建議你現(xiàn)在開始，否則后果可能將不可預(yù)測。那么成為今年頭條新聞的是什么？我們來看看吧！
PyTorch 1.0
什么是PyTorch？我已經(jīng)多次在本文中提到它了，你可以在Faizan Shaikh的文章中熟悉這個框架。
這是我最喜歡的關(guān)于深度學(xué)習(xí)文章之一！當(dāng)時TensorFlow很緩慢，這為PyTorch打開了大門快速獲得深度學(xué)習(xí)市場。我在GitHub上看到的大部分代碼都是PyTorch實現(xiàn)的。這并非因為PyTorch非常靈活，而是最新版本（v1.0）已經(jīng)大規(guī)模應(yīng)用到許多Facebook產(chǎn)品和服務(wù)，包括每天執(zhí)行60億次文本翻譯。PyTorch的使用率在2019年上升，所以現(xiàn)在是加入的好時機。
AutoML—自動機器學(xué)習(xí)
AutoML在過去幾年中逐漸取得進展。RapidMiner、KNIME、DataRobot和H2O.ai等公司都發(fā)布了非常不錯的產(chǎn)品，展示了這項服務(wù)的巨大潛力。你能想象在ML項目上工作，只需要使用拖放界面而無需編碼嗎？這種現(xiàn)象在未來并不太遙遠。但除了這些公司之外，ML / DL領(lǐng)域還有一個重要的發(fā)布-Auto Keras！
它是一個用于執(zhí)行AutoML任務(wù)的開源庫。其背后的目的是讓沒有ML背景的領(lǐng)域?qū)＜疫M行深度學(xué)習(xí)。請務(wù)必在此處查看，它準(zhǔn)備在未來幾年內(nèi)大規(guī)模運行。
TensorFlow.js-瀏覽器中的深度學(xué)習(xí)
我們一直都喜歡在最喜歡的IDE和編輯器中構(gòu)建和設(shè)計機器學(xué)習(xí)和深度學(xué)習(xí)模型。如何邁出一步，嘗試不同的東西？我將要介紹如何在你的網(wǎng)絡(luò)瀏覽器中進行深度學(xué)習(xí)！由于TensorFlow.js的發(fā)布，已成為現(xiàn)實。
TensorFlow.js主要有三個優(yōu)點/功能：
1.使用JavaScript開發(fā)和創(chuàng)建機器學(xué)習(xí)模型；
2.在瀏覽器中運行預(yù)先存在的TensorFlow模型；
3.重新創(chuàng)建已有的模型；
2019年的AutoML趨勢
我個人特別關(guān)注AutoML，為什么？因為我認為未來幾年它將成為數(shù)據(jù)科學(xué)領(lǐng)域真正的游戲規(guī)則改變者。跟我有同樣想法的人是H2O.ai的Marios Michailidis、Kaggle Grandmaster，他們都對AutoML有很高期望：
機器學(xué)習(xí)繼續(xù)成為未來最重要的趨勢之一，鑒于其增長速度，自動化是最大化其價值的關(guān)鍵，是充分利用數(shù)據(jù)科學(xué)資源的關(guān)鍵。它可以應(yīng)用到的領(lǐng)域是無限的：信用、保險、欺詐、計算機視覺、聲學(xué)、傳感器、推薦、預(yù)測、NLP等等，能夠在這個領(lǐng)域工作是一種榮幸。AutoML趨勢：
5、強化學(xué)習(xí)
如果我不得不選擇一個我看到的滲透更多領(lǐng)域的技術(shù)，那就是強化學(xué)習(xí)。除了不定期看到的頭條新聞之外，我還在社區(qū)中了解到，它太注重數(shù)學(xué)，并且沒有真正的行業(yè)應(yīng)用程序可供專一展示。
雖然這在某種程度上是正確的，但我希望看到的是明年更多來自RL的實際用例。我在每月GitHub和Reddit排序系列中，我傾向于至少保留一個關(guān)于RL的存儲庫或討論，至少圍繞該主題的討論。
OpenAI已經(jīng)發(fā)布了一個非常有用的工具包，可以讓初學(xué)者從這個領(lǐng)域開始。
OpenAI在深度強化學(xué)習(xí)中的應(yīng)用
如果RL的研究進展緩慢，那么圍繞它的教育材料將會很少。但事實上，OpenAI已經(jīng)開放了一些關(guān)于這個主題的精彩材料。他們稱這個項目為“Spinning Up in Deep RL”，你可以在這里閱讀所有相關(guān)內(nèi)容。它實際上是非常全面RL的資源列表，這里有很多材料包括RL術(shù)語、如何成為RL研究者、重要論文列表、一個記錄完備的代碼存儲庫、甚至還有一些練習(xí)來幫助你入門。
如果你打算開始使用RL，那么現(xiàn)在開始！
Google Dopamine
為了加速研究并讓社區(qū)更多的參與強化學(xué)習(xí)，Google?AI團隊開源了Dopamine，這是一個TensorFlow框架，旨在通過它來使更靈活和可重復(fù)性來構(gòu)建RL模型。
你可以在此GitHub存儲庫中找到整個訓(xùn)練數(shù)據(jù)以及TensorFlow代碼（僅15個Python notebooks！）。這是在受控且靈活的環(huán)境中進行簡單實驗的完美平臺，聽起來像數(shù)據(jù)科學(xué)家的夢想。
2019年強化學(xué)習(xí)趨勢
Xander Steenbrugge是DataHack Summit的代表，也是ArxivInsights頻道的創(chuàng)始人，他非常擅長強化學(xué)習(xí)。以下是他對RL當(dāng)前狀態(tài)的看法以及2019年的預(yù)期：
- 我目前看到RL領(lǐng)域的三個主要問題：
我相信前兩個問題可以通過與無監(jiān)督表示學(xué)習(xí)相關(guān)的類似技術(shù)來解決。目前在RL中，我們正在使用稀疏獎勵信號訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)，從原始輸入空間（例如像素）映射到端到端方式的動作（例如，使用反向傳播）。
- 我認為能夠促進強化學(xué)習(xí)快速發(fā)展的道路是利用無監(jiān)督的表示學(xué)習(xí)（自動編碼器、VAE、GAN）將凌亂的高維輸入空間（例如像素）轉(zhuǎn)換為低維“概念”空間。
人工智能：符合倫理才更重要
想象一下由算法統(tǒng)治的世界，算法決定了人類采取的每一個行動。這不是一個美好的場景，對嗎？AI中的倫理規(guī)范是Analytics Vidhya一直熱衷于討論的話題。
今年有相當(dāng)多的組織因為Facebook的劍橋分析公司丑聞和谷歌內(nèi)部普遍關(guān)于設(shè)計武器新聞丑聞而遭受危機。沒有一個開箱即用的解決方案或一個適合所有解決方案來處理AI的倫理方面。它需要一種細致入微的方法，并結(jié)合領(lǐng)導(dǎo)層提出的結(jié)構(gòu)化路徑。讓我們看看今年出現(xiàn)的重大政策：GDPR。
GDPR如何改變游戲規(guī)則
GDPR或通用數(shù)據(jù)保護法規(guī)肯定會對用于構(gòu)建AI應(yīng)用程序的數(shù)據(jù)收集方式產(chǎn)生影響。GDPR的作用是以確保用戶可以更好地控制他們的數(shù)據(jù)。那么這對AI有何影響？我們可以想象一下，如果數(shù)據(jù)科學(xué)家沒有數(shù)據(jù)（或足夠數(shù)據(jù)），那么構(gòu)建任何模型都會還沒開始就失敗。
2019年的AI倫理趨勢預(yù)期
這是一個灰色的領(lǐng)域。就像我提到的那樣，沒有一個解決方案可以解決這個問題。我們必須聚集在一起，將倫理問題整合到AI項目中。那么我們怎樣才能實現(xiàn)這一目標(biāo)呢？正如Analytics Vidhya的創(chuàng)始人兼首席執(zhí)行官Kunal Jain在2018年DataHack峰會上的演講中所強調(diào)的那樣：我們需要確定一個其他人可以遵循的框架。
結(jié)束語
有影響力！這是2018年來描述AI最佳的詞匯。今年我成為ULMFiT的狂熱用戶，我也很期待BERT。
?
原文鏈接
本文為云棲社區(qū)原創(chuàng)內(nèi)容，未經(jīng)允許不得轉(zhuǎn)載。?
總結(jié)
以上是生活随笔為你收集整理的2018年AI和ML（NLP、计算机视觉、强化学习）技术总结和2019年趋势（下）的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： 常见Serialize技术探秘（Obje
- 下一篇： 用AI说再见！“辣眼睛”的买家秀