【導讀】在過去的一個月中， 作者從近 1400 篇有關機器學習的文章中挑選了最有可能幫助職業生涯發展的 10 篇推薦給大家（入選比率為0.7%）。

（此前發布過多篇收藏黨喜歡的文章，也是來自Mybridge：①Python 開源項目 Top 10 精選，平均star為1128！ ② 從15000個Python開源項目中精選的Top30，Github平均star為3707，趕緊收藏！ ③我們從8800個機器學習開源項目中精選出Top30，推薦給你 ④5月Python好文TOP 10新鮮出爐 ⑤Keras、卷積神經網絡、Pytorch 以及音頻處理優秀文章推薦 ⑥機器學習 TOP 10 必讀論文 ⑦Top 50機器學習項目實戰總結）

▌前言

這10篇文章涉及了 DeepMind 提出的 GQN 網絡 、Open AI 多智能體在游戲任務中大獲全勝背后的原理與技術、TensorFlow 的實踐經驗、如何給模型調優、如何用機器學習生成驚艷酷炫的作品、如何進行面部識別與只用 10 行代碼就操作了一波目標檢測等技術。可以說這波操作厲害了，各種類型總有一個會是你喜歡的！

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

摘要：DeepMind 在 Science 上發表了新論文《Neural scene representation and rendering》。論文介紹了一種新型計算機視覺算法，可以基于某個單一的平面圖像，去從不同角度“想象”它的三維模型。該算法被稱之為生成查詢網絡（ GQN ）。只需給人工智能一些二維場景圖片，比如說一面磚墻、樓梯上的明亮球體和方塊，人工智能就可以產生從不同角度觀察這個場景的三維模擬圖、渲染物體不同的面甚至解決相同光源下的陰影位置問題。GQN 建立在大量關于多視圖幾何，生成建模，無監督學習和預測學習的相關工作的研究基礎上，但是它允許將相同的模型應用與一系列不同的環境，與更傳統的計算機視覺技術相比，雖然還存在許多限制，然而隨著新數據源的出現及硬件的不斷進步，DeepMind 公司希望能夠研究 GQN 框架在真實場景中更高分辨率圖像中的應用；在未來的工作中，探索 GQN 在場景理解的更廣泛應用。

論文題目：

Neural scene representation and rendering

論文地址：

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 近日也發表推文談到，關于 GQN 已經有了新的拓展與應用。在本屆 ICML 大會上，Google 將會與大家一起分享關于“深度生成模型的理論與應用”（Theoretical Foundations and Applications of Deep Generative Models）的主題研討會，屆時大家可以學習到更多有關 GQN 的內容。

研討會介紹：

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

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

摘要： 加州大學歐文分校的StephenMcAleer及其同事開創了一種新的深度學習技術，并認為他們的方法是對問題進行推理的一種形式，稱為“自主學習迭代（Autodidactic iteration）”，可以讓機器自行解決魔方的問題，而無需人工協助。已經掌握的技巧是找到機器創建自己的獎勵系統的方法。這是個意義重大的里程碑，因為新方法解決了計算機科學中的一個重要問題：如何在最少的幫助下讓機器解決復雜的問題。當然，真正的考驗是如何將這種方法應用到更復雜的問題上，也讓很多人關心它將如何做到。

論文題目：

Solving the Rubik’s Cube Without Human Knowledge

論文地址：

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：在機器學習中，應用統計學習技術來自動識別數據模型，還可用于進行高度準確的預測。利用數據創建一個機器學習模型，而建模的目標是通過識別和編碼數據模型來逼近顯示真實的情況，如果模型過于簡單或復雜都會出錯，本文章是機器學習的視覺介紹系列文章的第二篇：如何調整模型與偏差-方差的權衡。

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自學習多智能體5v5團隊戰擊敗DOTA2業余人類玩家，這代表著AI在決策智能上的能力大幅向前推進。OpenAI Five之所以戰勝DOTA2的業余選手，主要原因在于它使用“近端策略優化”（PPO）的擴展版算法，在256個GPU和128000個CPU內核上進行訓練。每個英雄都使用單獨的LSTM，不使用人類數據，最終AI能夠學會識別策略。比爾·蓋茨也發推文稱贊：這是一件大事，因為它們的勝利需要團隊合作和協作——這是推進人工智能的一個巨大里程碑。

文章地址：

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

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

摘要：本文作者Jacob來自GoogleAI Resident項目，他在2017年夏天開啟了為期一年的Google研究型實習，在此之前他雖然有很多編程經驗和機器學習經驗，但沒有使用過TensorFlow，而在他的實踐經驗中發現，將自己的想法變成 TensorFlow 的代碼遠比想象中要難。對于初學者來說，TensorFlow 可能也不如 PyTorch、DyNet直觀，這篇文章就是Jacob為TensorFlow寫的一個實用教程。作者通過更一般的方法，而非專注于一個特定的任務，使學習過程變得更直觀。

文章地址：

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

▌NO.6 Abstract Art with ML

摘要：本文講述了如何用機器學習來進行抽象藝術創作。文章介紹了CPPN網絡，這是一個連續且可微分的網絡，可以在瀏覽器中運行模式生成器，親自體驗可以生成這些驚艷又酷炫作品的神經網絡。

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首先分享了數據爬取、清理、可視化等步驟，到進行EDA 數據分析的初探，發現了一些有趣的現象，進而介紹隨機森林算法，訓練模型并預測房租的經驗。

文章地址：

https://towardsdatascience.com/going-dutch-part-2-improving-a-machine-learning-model-using-geographical-data-a8492b67b885

視頻地址：

https://video.jqr.com/news%2F2018%2F06%2F21%2FAmsterdam-rental-prices/sd.mp4

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

摘要：文章講述了如何用 OpenCV 、Python 、深度學習技術在圖片和視頻流中進行人臉識別。作者首先簡要介紹了面部識別的深度學習概念，幫助大家安裝實踐過程所需要的庫，最后帶領大家進行面部識別。

文章地址：

https://www.pyimagesearch.com/2018/06/18/face-recognition-with-opencv-python-and-deep-learning

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

摘要：通過構建查詢理解引擎的方式來更好的向用戶進行食物推薦。Uber Eats 努力幫助食客盡可能輕松地找到他們想要的確切事物，通過搜索和推薦技術及機器學習的最新進展來完成這項任務，本文首先為大家重點介紹如何通過內部食品知識圖譜構建Uber Eats 的查詢理解引擎及如何幫助更好的理解用戶意圖相關工作。

文章地址：

https://eng.uber.com/uber-eats-query-understanding

▌No.10 Object Detection with 10 lines of code

摘要：作者Moses Olafenwa 是一位自學計算機的開發者，他與同伴一起開發了一個名叫 ImageAI 的Python 函數庫。 ImageAI 可以讓程序員和軟件開發者只用幾行代碼，就能輕易地把最先進的計算機視覺技術整合到他們現有的以及新的應用程序里面。

作為人工智能的一個重要領域，計算機視覺是一門可以識別并理解圖像和場景的計算機及軟件系統科學。該領域主要包括圖像識別，目標檢測，圖像生成，圖像超分辨率等多個方向。由于現實中存在眾多的實際案例，目標檢測應該是計算機視覺中最令人深刻的一個方向。在人工智能頭條之前給大家介紹的教程中，簡要介紹了目標檢測的概念，軟件開發人員所面臨的挑戰，相應的解決方案以及執行高性能目標檢測的編碼教程等內容。

文章地址：

https://towardsdatascience.com/object-detection-with-10-lines-of-code-d6cb4d86f606

本文鏈接：

https://medium.mybridge.co/machine-learning-top-10-articles-for-the-past-month-v-july-2018-832c47937597

總結

以上是生活随笔為你收集整理的转载 干货 | 1400篇机器学习的文章中，这10篇是最棒的！的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。