《Detection and Segmentation of Manufacturing Defects with Convolutional Neural Networks and Transfer Learning》M Ferguson, R Ak, Y T Lee, K H. Law [Stanford University & NIST] (2018) 网页链接 view:网页链接
《Building Safer AGI by introducing Artificial Stupidity》M Trazzi, R V. Yampolskiy [University of Louisville] (2018) 网页链接 view:网页链接
《R-grams: Unsupervised Learning of Semantic Units in Natural Language》A Ekgren, A C Gyllensten, M Sahlgren [RISE AI] (2018) 网页链接 view:网页链接
《Learning Graph Embeddings from WordNet-based Similarity Measures》A Kutuzov, A Panchenko, S Kohail, M Dorgham, O Oliynyk, C Biemann [University of Oslo & Universitat Hamburg] (2018) 网页链接 view:网页链接 GitHub:网页链接
《Android HIV: A Study of Repackaging Malware for Evading Machine-Learning Detection》X Chen, C Li, D Wang, S Wen, J Zhang, S Nepal, Y Xiang, K Ren [Deakin University & Swinburne University of Technology] (2018) 网页链接 view:网页链接
《Counterfactual Normalization: Proactively Addressing Dataset Shift and Improving Reliability Using Causal Mechanisms》A Subbaswamy, S Saria [Johns Hopkins University] (2018) 网页链接 view:网页链接
《Reconfigurable Inverted Index》Y Matsui, R Hinami, S Satoh [National Institute of Informatics & The University of Tokyo] (2018) 网页链接 view:网页链接 GitHub:网页链接
《Language Guided Fashion Image Manipulation with Feature-wise Transformations》M Günel, E Erdem, A Erdem [Hacettepe University] (2018) 网页链接 view:网页链接
《Time Perception Machine: Temporal Point Processes for the When, Where and What of Activity Prediction》Y Zhong, B Xu, G Zhou, L Bornn, G Mori [Simon Fraser University] (2018) 网页链接 view:网页链接
《Reconfigurable Inverted Index》Y Matsui, R Hinami, S Satoh [National Institute of Informatics & The University of Tokyo] (2018) 网页链接 view:网页链接 GitHub:网页链接
【模型将掌控世界：“软件吞食世界”——未来软件模型无需人为干预能不断自我提升】《Models Will Run the World | WSJ》 网页链接
【微软Azure机器学习平台介绍】《Azure Machine Learning - YouTube》by Siraj Raval 网页链接 L爱可可-爱生活的秒拍视频
【今日限免：Python深度学习】《Python Deep Learning: Take your machine learning skills to the next level by mastering Deep Learning concepts and algorithms using Python.》by Valentino Zocca (Packt 2017) 网页链接
【(C++)文本分析工具集(提供Python bindings)】“MeTA: ModErn Text Analysis” 网页链接 GitHub:网页链接
【简单方式讲解神经网络和反向传播】《Neural networks and backpropagation explained in a simple way》by Assaad MOAWAD 网页链接 pdf:Neural networks and backpropagation explai...
【数学严谨的机器学习指南】《The Blunt Guide to Mathematically Rigorous Machine Learning》by Harsh Sikka 网页链接 pdf:The Blunt Guide to Mathematically Rigorous...
【冷启动：如何入门机器学习】《The cold start problem: how to break into machine learning》by Edouard Harris 网页链接 pdf:The cold start problem_ how to break into ...
【各个主题的最佳教科书】《The Best Textbooks on Every Subject》 网页链接
【Fast.AI创始人Rachel Thomas快问快答】《Rachel Thomas - Really Quick Questions with a Fast.AI Researcher - YouTube》by Siraj Raval 网页链接 L爱可可-爱生活的秒拍视频
【词向量Benchmarks包】’Word Embeddings Benchmarks' by Stanislaw Jastrzebski GitHub: 网页链接
《Detection and Segmentation of Manufacturing Defects with Convolutional Neural Networks and Transfer Learning》M Ferguson, R Ak, Y T Lee, K H. Law [Stanford University & NIST] (2018) 网页链接 view:网页链接
《Building Safer AGI by introducing Artificial Stupidity》M Trazzi, R V. Yampolskiy [University of Louisville] (2018) 网页链接 view:网页链接
《R-grams: Unsupervised Learning of Semantic Units in Natural Language》A Ekgren, A C Gyllensten, M Sahlgren [RISE AI] (2018) 网页链接 view:网页链接
【MIT 6.886 Graph Analytics Spring 2018】网页链接 麻省理工学院2018年春季课程6.886《图分析》。
【Imitating Scala Futures with Go channels in Go and Clojure】网页链接 在Go和Clojure中使用Go channels 模仿Scala Futures。
首个应用到大规模真实工业场景的神经网络控制系统在谷歌上线了
首个应用到大规模真实工业场景的神经网络控制...
【Threading vs Multiprocessing in Python】网页链接 Python中的多线程与多进程机制。
香港中文大学胡枭玮：用于阴影检测的 DSC 特征
网页链接
利用精细模型进行数值模拟，可以使静态数据与动态数据之间互相结合和印证的更加紧密，打破两者各自维护自身专业对油藏理解的困局，形成真正意义上的一体化研究流程 °精细油藏数值模拟，指导油气田规划和开发生产...
【新智元导读】Github用户SnailTyan在他构建的“深度学习论文翻译”库中，提供了图像识别、对象检测和OCR等经典DL论文的全文翻译，除了英文原版、中文译文，还有中英文对照版。最新的MobileNetV2即将发布。Github地址：
网页链接
『AI超越传统量化选股，通过AI自动获得收益提升【附源码】』网页链接
我们在数百个因子了测试了传统因子方法和AI方法，在80%的因子上，AI都表现出更好的收益。通过AI我们可以自动的获得一个收益提升。查看原文进一步探究吧。
发布了头条文章：《Arxiv网络科学论文摘要11篇(2018-08-20)》 _°_Arxiv网络科学论文摘要11篇(2018-08-20)
《Ensemble Kalman Inversion: A Derivative-Free Technique For Machine Learning Tasks》N B. Kovachki, A M. Stuart [California Institute of Technology] (2018) 网页链接 view:网页链接
Google在Github上开源项目的研发工程师好像也是产品经理，和TensorFlow Serving团队交涉很久后把我们的RESTful API JSON格式也推荐了下，目前TensorFlow Serving支持的row-format实在不好用而且不支持多输入不同batch size，期待推动社区实现这个Issue的column-format格式 网页链接
KDD2018，密歇根大学教授Qiaozhu Mei（网页链接）在Deep Learning Day上介绍了Aminer Graph Data（网页链接
【基于GAN和VAE的跨模态图像生成】本文来自CMU，文章利用GAN的思想在VAE的基础上，实现了模态间的潜在空间的相互映射，得到映射的空间可以进一步的解码生成对应于另一个模态的数据，从而实现了跨模态的相互生成。这种利用潜在空间的变换实现跨模态生成在很多跨模态之间都可以参考，虽然文章只是预印版，但是很具有启发意义。网页链接
【基于二进制向量的句子表示】NASH: Toward End-to-End Neural Architecture for Generative Semantic Hashing
#ACL 2018# 本文在ACL 2018上获得了Best Paper Honourable Mention Award。现有的sentence representations大多都是基于continuous (连续的) vector (skip-thought vector等)，而本文考虑用discrete (离散的) binary vector来表示句子(文档)，并首次提出用端到端的Variational Autoencoder来学习binary的sentence representations。基于这些binary的向量，两个文档的相似度就可以通过他们representations之间的hamming distance (即有多少bit不同)来进行判断。相较于continuous vector上的inner product操作，这种策略有更快的计算速度 (这种方法被称为semantic hashing)。同时，离散的向量在storage上也比连续的向量更加节省空间。在information retrieval的几个benchmark数据集上，本文的模型相对于以前的semantic hashing方法在搜索准确率上实现了明显的提升。
推荐人：@EricShen（PaperWeekly社区用户）
论文链接：网页链接
【新型反向传播算法】Backprop Evolution
[#ICML 2018#]本文来自Google Brain，作者希望能够找到一种能够替代反向传播的方法。因此，他们设计了一种domain-specific language (DSL) 来函数式描述数学公式（例如反向传播），然后利用演化算法来发现新的传播算法，旨在找到泛化性能比BP更好的算法。最终通过实验，他们找到的算法能够在训练前期收敛得更快，但是收敛时并没有表现得更好。BP算法虽然取得了很大的成就，但是近年学界前沿也指出它的一些局限性，本文给这方面的研究探出了一小步。
论文链接：网页链接
【微软Azure机器学习平台介绍】《Azure Machine Learning - YouTube》by Siraj Raval 网页链接 L爱可可-爱生活的秒拍视频
网页链接 本文通过引用一个数据集作为例子来给大家介绍基础知识，并给大家介绍一个基于 Featuretools Python 库来实现特征工程自动化的实例。
【基于Python的自动特征工程——教你如何自动创建机器学习特征】详见：网页链接
本文通过引用一个数据集作为例子来给大家介绍基础知识，并给大家介绍一个基于 Featuretools Python 库来实现特征工程自动化的实例。
【9 Things You Should Know About TensorFlow】网页链接 关于TensorFlow你应该知道的9件事。
【迁移学习NLP】《Transfer Learning in NLP | Universal Language Models - YouTube》 网页链接 L爱可可-爱生活的秒拍视频
【深度学习增量学习】《Incremental Learning in Deep Learning - YouTube》 网页链接 L爱可可-爱生活的秒拍视频
【强化学习通俗介绍】《Reinforcement Learning in a nutshell - YouTube》by 网页链接 L爱可可-爱生活的秒拍视频
【一切皆Djikstra：货币套利(金融)、Q学习(强化学习)和路径追踪(计算机图形学)都可简化为经典的Djikstra最短路径算法】《Dijkstra's in Disguise》by Eric Jang 网页链接
【收藏此文，今年你需要的学习资源绝对够了！】详见：网页链接 作者主要从机器学习、NLP、Python 和数学四部分的内容介绍给大家，并且每个部分细分了不同的主题，每个主题有 5~6 个学习资源，力求从不同角度与不同的呈现形式（如有教程、幻灯片、博客文章等）使内容具有多样性。
【PyTorch实现的YOLO】“[PYTORCH] YOLO (You Only Look Once)” by Viet Nguyen GitHub:网页链接
【贝叶斯概率模型可视化/探索性分析工具(Python)】“ArviZ: Exploratory analysis of Bayesian models” 网页链接 GitHub:网页链接
【鸡生蛋与蛋生鸡，纵览神经架构搜索方法】最近弗莱堡大学的研究者发表了一篇论文纵览不同的神经架构搜索方法，他们从神经网络的搜索空间、搜索策略以及性能评估策略等三个方向探讨了不同的思路与方法。鸡生蛋与蛋生鸡，纵览神经架构搜索方法
【关于TensorFlow，你应该了解的9件事】谷歌开发技术推广工程师 Laurence Moroney 在 Google Cloud Next 大会进行了 42 分钟的演讲「What's New with TensorFlow?」。本文作者 Cassie Kozyrkov 对该演讲进行了总结，概括出关于 TensorFlow 的九件事。入门 | 关于TensorFlow，你应该了解的9件事
【Python技巧 101：这17个骚操作你都Ok吗】在本文中，作者 Gautham Santhosh 带我们回顾了 17 个非常有用的 Python 技巧，例如查找、分割和合并列表等。这 17 个技巧都非常简单，但它们都很常用且能激发不一样的思路。资源 | Python技巧 101：这17个骚操作你都Ok吗
【什么是自注意力机制？】本文通过文本情感分析的案例，解释了自注意力机制如何应用于稀疏文本的单词对表征加权，并有效提高模型效率。入门 | 什么是自注意力机制？
【一招教你使用 tf.keras 和 eager execution 解决复杂问题】本文作者利用 TensorFlow 的两个最新 API 解决了四类复杂问题：文本生成、生成对抗网络、神经网络机器翻译、图片标注。文中对此进行了详细描述，并附上其 notebook 地址。教程 | 一招教你使用 tf.keras 和 eager exec...
Nature人类行为: 群体间的弱纽带如何促进合作形成。如何促进社会合作是科学家长期关注的一个问题。近期发表在 Nature Human Behavior 的文章中，研究者通过数学分析、仿真模拟和真实世界的社交网络案例，研究者发现培养合作的关键是：在不同的群体间建立弱连接。Nature人类行为: 群体间的弱纽带如何促进合作...
《In Defense of the Triplet Loss for Person Re-Identification》A Hermans, L Beyer, B Leibe [RWTH Aachen University] (2017) 网页链接 Code for reproducing the results the paper GitHub:网页链接
‘(PyTorch)GraphRNN: A Deep Generative Model for Graphs' by Jiaxuan GitHub: 网页链接 ref:《GraphRNN: Generating Realistic Graphs with Deep Auto-regressive Model》[Stanford University] (2018) 网页链接 official PyTorch implementation of GraphRNN GitHub:网页链接
网友评论