从近1400篇机器学习文章中精选Top10，入选率0.7%！-电子发烧友网

本次推荐的系列文章涉及：游戏人工智能、机械手操纵、舞蹈、机器翻译新突破、行人计数器、神经网络内部数学原理、神经算术、TensorFlow、AlphaGo Zero 算法、Uber 客服系统。

▌1.游戏人工智能入门指南

该文章介绍了游戏人工智能中的常见概念，它们在开发过程中的作用，以及如何上手进行实际操作。作者通过一个简单的小游戏 Pong 展示了游戏开发中的人工智能，文中所用的代码示例大多为伪代码，所以没有特定的编程语言限制。内容大致分为以下几个方面：

什么是游戏人工智能

游戏人工智能中的约束

基本决策与高级决策

运动与导航

制定计划

学习与自适应

知识表示

阅读链接：

https://www.gamedev.net/articles/programming/artificial-intelligence/the-total-beginners-guide-to-game-ai-r4942?utm_source=mybridge&utm_medium=blog&utm_campaign=read_more

▌2.基于强化学习的灵巧操作：高效、高适应性、低耗

该文章介绍了如何通过深度强化学习来控制灵巧手的多种操作任务，这种方法使用了低耗硬件，运行更加高效，而且引入了示范和模拟来加速学习进程，有助于提高灵巧手的适应性。同时，在实际训练过程中还面临许多问题和挑战，如机械手容易迅速发烫、强化学习所需的反馈需要手动完成等问题。

阅读链接：

https://bair.berkeley.edu/blog/2018/08/31/dexterous-manip/?utm_source=mybridge&utm_medium=blog&utm_campaign=read_more

▌3. “跟我一起做” —— 动作迁移的实现方法

该论文介绍了一种实现动作迁移的方法，给定一个人跳舞的源视频，我们可以将舞蹈动作迁移到另一个动作不同的目标体上。该团队将其看作一个逐帧进行图对图迁移的问题，将动作检测作为源和目标之间的中间语言，学习了从动作图像到目标对象表现的映射，并最终生成视频。

阅读链接：

https://bair.berkeley.edu/blog/2018/08/31/dexterous-manip/?utm_source=mybridge&utm_medium=blog&utm_campaign=read_more

论文链接：

https://arxiv.org/abs/1808.07371

视频链接：

https://www.youtube.com/watch?v=PCBTZh41Ris&feature=youtu.be

▌4.无监督机器翻译：面向多种语言，更快速，更精准

自动翻译功能对 Facebook 来说至关重要，因为用户要选择自己所需的语言进行沟通和交流。该团队在 2018 EMNLP 大会上介绍了有关无监督翻译的工作内容，将此前最先进的无监督方法进行了优化，在对许多小语种的翻译上取得了显著效果，同时为世界上大多数语言提供了更快速、准确的翻译。文章为读者展示了新方法的思路和原理，并给出了未来进一步优化的方向。

阅读链接：

https://code.fb.com/ai-research/unsupervised-machine-translation-a-novel-approach-to-provide-fast-accurate-translations-for-more-languages/?utm_source=mybridge&utm_medium=blog&utm_campaign=read_more

▌5.利用 OpenCV 建立行人计数器

基于 OpenCV 的行人计数器始终是 PyImageSearch 上的热门话题，该文章介绍了如何用 OpenCV 和 Python 建立行人计数器，即实时记录进入和离开一家门店的人数。文章内容包括以下几个部分：

列出所需的 Python 库

介绍项目的大致结构

讲解物体检测算法的原理

创建可追踪的对象

基于 OpenCV 和 Python 创建计数器

加载视频，进行测试

阅读链接：

https://www.pyimagesearch.com/2018/08/13/opencv-people-counter?utm_source=mybridge&utm_medium=blog&utm_campaign=read_more

▌6.探索深度网络内部的数学原理

如今我们在深度学习过程中，只需直接引入一些库，编写数行代码，无需担心权重矩阵也不必决定使用哪些激活函数，但了解神经网络的内部原理有助于结构选择，参数调试和后续的优化。该文章为我们讲述了隐藏在神经网络内部的数学原理，分别从神经元、神经层、矢量化、激活函数、损失函数、后向传播算法几个方面进行了详细解读。

阅读链接：

https://towardsdatascience.com/https-medium-com-piotr-skalski92-deep-dive-into-deep-networks-math-17660bc376ba

▌7.神经算术逻辑单元

神经网络可以学习如何表征和操纵数字信息，但遇到训练过程中未见过的数据会表现不佳。该论文提出了一种由神经算术逻辑单元 (Neural Arithmetic Logic Units, NALU) 加强的神经网络，这种网络可以追踪时间，基于图像数量执行计算，将数字语言转化为数值标量，执行计算代码，并对图像中的物体进行计数。

阅读链接：

https://arxiv.org/abs/1808.00508?utm_source=mybridge&utm_medium=blog&utm_campaign=read_more

▌8.关于 TensorFlow 你必须知道的9件事

该文章的作者是 Google 的首席决策工程师 Cassie Kozyrkov，她在文章中总结分享了关于 TensorFlow 的 9 个重要特性，如便捷的神经网络创建方式、适用于多种语言、专用的硬件设备、新型数据流等等。

阅读链接：

https://hackernoon.com/9-things-you-should-know-about-tensorflow-9cf0a05e4995

▌9.DeepMind 阿尔法狗 Zero 详解

这是一段介绍阿尔法狗 Zero 算法的视频，该算法是由 DeepMind 公司开发的，它通过自我训练打败了世界上最好的围棋职业选手。在训练过程中，阿尔法狗反复地与自己进行对战，在没有人类玩家策略输入的情况下，取得了越来越好的效果。这段视频还用代码和动画相结合的方式，展示了算法中用到的神经网络的内部组成。

视频链接：

https://www.youtube.com/watch?v=UzYeqAJ2bA8

代码链接：

https://github.com/Zeta36/chess-alpha-zero

▌10.基于深度学习的升级版 Uber COTA 客服系统

今年年初，Uber 推出了基于 NLP 和机器学习构建的 COTA 客服系统。利用该系统，Uber 可以快速高效地解决 90％以上的客服问题。COTA v1 系统对 Uber 来说只是一个开始，Uber 团队利用深度学习对该系统进行了进一步升级，提升了模型性能，提高了事件处理速度和用户满意度，COTA v2 系统诞生了。该文章为我们详细介绍了升级版 COTA 系统模型的内部原理，以及实际部署过程中遇到的困难。