7 月機器學習10大熱文，機器自動編程領先

20萬，這是新智元如今達到的用戶總數。在飛向智能宇宙的旅程中，感謝每一位和新智元同行的朋友。您的關注和支持是「新智元號」星艦永不枯竭的燃料。

數據科學家 Flavian Hautbois 評選出了 7 月份他最喜愛的人工智慧和數據處理相關論文的 Top 10。讓我們來看看吧！

1. 如何教機器自動編程？—— Neat學習

Murat Vurucu 的這篇文章中，用簡單的術語和例子對一種名為NEAT的新技術進行了解釋。NEAT通過結合現有遺傳學啟發的神經網路產生神經網路。這篇文章唯一的問題是「neat」這個詞完全沒有雙關含義。

閱讀地址： 如何教機器自動編程？Neat學習——Murat Vurucu http://t.cn/R9KRUmt

2. 基於樹的學習演算法實用指南

你在尋找一個對基於樹的演算法的既徹底，而且可操作性強的解釋？不用找了，這個深入的教程堪比Udacy：包括理論解釋，美觀的圖片和代碼示例。作者 Sadanand Singh 也寫了一個類似的SVM教程。

閱讀地址：基於樹的學習演算法實用指南——Sadanand Singh https://sadanand-singh.github.io/posts/treebasedmodels/

3. 想像一下：通過重新組合熟悉的概念來創建新的視覺概念

Deepmind 提出一種新的演算法，能夠從已學習的概念進行推廣。研究人員模仿嬰兒學習的方式——嬰兒根據語言線索（口頭提示）觀看對象，並得出其中的意義。研究人員成功地展示了對一些顏色和物體的泛化能力。我們發現他們的架構中使用無監督學習，這是特別有意思的一點。這與「深度學習的未來」（本文介紹的第6篇）一文肯定有共鳴之處。

閱讀地址：通過重新組合熟悉的概念來創建新的視覺概念——DeepMind https://deepmind.com/blog/imagine-creating-new-visual-concepts-recombining-familiar-ones/

4. 計算機閱讀肢體語言

這一技術令人印象深刻。機器學習系統通過一台攝像機，實時地學會識別肢體語言，只需一台筆記本，識別的對象包括十幾個人。卡內基梅隆大學的研究人員使用類似Kinect的精確肢體映射來訓練他們的AI。它的輸入是一台攝像機的視頻流，更精確的數據作為地面真值。AI學會正確地從訓練數據推廣，結果令人印象深刻。 研究人員以開源的方式發布了他們的代碼，供大家使用。先看視頻：

地址：計算機閱讀肢體語言——Byron Spice https://www.cmu.edu/news/stories/archives/2017/july/computer-reads-body-language.html

5. 人機對決

在李世乭、柯潔和AlphaGo對決之前，在Garry Kasparov和Deep Blue對決之前，Marion Tinsley早與Chinook對決過。Alexis C. Madrigal 的這篇文章描述了早在20世紀90年代初，人類與計算機的第一場對決。Marion Tinsley是英國跳棋棋王，自1954年出道以來，只輸過九次，被譽為有史以來最偉大的英國跳棋棋手。1994年與最強的電腦英國跳棋程序Chinook對決，六戰皆和局後，因健康因素退出比賽，七個月後因胰島癌過世。《大西洋月刊》的這篇文章探討了程序員和棋手的心理，為了解當前的機器學習進展提供了很好的見解，同時也給讀者帶來真正的文學趣味。

閱讀： How checkers was solved — from Alexis C. Madrigal https://www.theatlantic.com/technology/archive/2017/07/marion-tinsley-checkers/534111/

6. 深度學習的未來

Fran?ois Chollet在這篇文章中探討了如何將機器學習模型推向更接近AGI（通用人工智慧）。文章接續他以前一篇對人工智慧的局限的文章（兩篇文章都來自《Python深度學習》一書）。我喜歡他針對這個話題很務實的觀點。絕對是一篇好文章！

7. 機器學習中的技術性債務

Maksym Zavershynskyi 的這篇文章提供了一個簡短而令人信服的概述，介紹機器學習項目中如何產生技術性債務。雖然我們覺得他的文章語氣太誇張，但我們很感謝他提供了對這個相對較少討論對話題的探討。他的建議是非常可行的。他也提供了一些相同主題的論文。

閱讀：機器學習中的技術性債務——Maksym Zavershynskyi https://medium.com/towards-data-science/technical-debt-in-machine-learning-8b0fae938657

8. AI 正在改變科學研究的方式

《科學》雜誌介紹了5個科學領域使用機器學習和AI的案例，包括物理學、心理學、生物學、天文學和化學。前沿的科學實驗正在使用AI技術。你可以在下次與物理學家們參加雞尾酒會時使用這些例子。

閱讀：AI 正在改變科學研究的方式——《科學》http://www.sciencemag.org/news/2017/07/ai-changing-how-we-do-science-get-glimpse

9. 我有數據，我需要洞察力，我該從哪裡開始？

如果你在數據科學方面工作，你可能會遇到這樣的問題：大多數人不知道從哪裡開始。Rama Ramakrishnan 認為，你應該將一個業務看作一個黑盒來探索。作為數據科學家，問一下自己在挖掘數據之前希望數據是怎樣的。

閱讀：我有數據，我需要洞察力，我該從哪裡開始？——Rama Ramakrishnan https://medium.com/towards-data-science/i-have-data-i-need-insights-where-do-i-start-7ddc935ab365

10. 現在就可以使用的人工智慧工具列表——企業用

如果有人對你說，AI仍然是實驗室的事情，那就向他展示這個清單。AI的商業目的使用正在飛速增長。LiamH?nel 花了幾個小時在各個領域選擇了數百家公司。這個清單非常強大，而且都是高質量的好用工具。這是第二部分，我們期待即將到來的第三部分！

地址：現在就可以使用的人工智慧工具列表——LiamH?nel https://hackernoon.com/a-list-of-artificial-intelligence-tools-you-can-use-today-for-businesses-2-3-eea3ac374835

編譯來源：https://blog.sicara.com/07-2017-best-big-data-new-articles-this-month-acb58d4bb15d

點擊閱讀原文可查看職位詳情，期待你的加入~

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！