Zero to Hero：2017年機器之心AI高分概述文章全集

機器之心整理

參與：李澤南、劉曉坤

新年快樂！在狗年的第一天，我們全面梳理了過去一年機器之心發布的基礎知識和深度概述性文章，希望能對大家的研究和學習有所幫助。

過去一年，人工智慧技術不僅經歷了快速發展，也因為各家科技公司的大量投入而不斷落地，在人們的眼裡，AI 眼前的道路正在逐漸變得清晰。2017 年裡，我們整理並發布了很多來自學界、業界的概述性文章，其中不僅有盤點機器學習、計算機視覺和自然語言處理等領域現有技術的長文，也有面向深度學習框架、機器學習相關硬體方面的研究，其中包含多篇頗具價值的概述性論文。時值春節，我們將其分類整理，以方便大家參考和學習。

這些深度文章包括並不限於以下關鍵詞：進化策略、遷移學習、卷積神經網路、知識圖譜、聚類、回歸、PCA、t-SNE、貝葉斯、決策樹、隨機森林、遺傳演算法、強化學習、馬爾科夫、概率圖、LSTM……

Note：想要了解去年機器之心的盤點，請點擊——人工智慧從入門到進階，機器之心高分技術文章全集

入門

深度 | David Silver 全面解讀深度強化學習：從基礎概念到 AlphaGo

深度 | 遷移學習全面概述：從基本概念到相關研究

深度 | 理解深度學習中的卷積

綜述 | 知識圖譜研究進展

盤點 | 機器學習入門演算法：從線性模型到神經網路

深度神經網路全面概述：從基本概念到實際模型和硬體基礎

機器理解大數據的秘密：聚類演算法深度詳解

想了解概率圖模型？你要先理解圖論的基本定義與形式

人工智慧能騙過人類嗎？愚人節特寫：這不是玩笑

三張圖讀懂機器學習：基本概念、五大流派與九種常見演算法

LSTM 入門必讀：從基礎知識到工作方式詳解

從語言學到深度學習 NLP，一文概述自然語言處理

最全的 DNN 概述論文：詳解前饋、卷積和循環神經網路技術

從貝葉斯定理到概率分布：綜述概率論基本定義

追根溯源！一圖看盡深度學習架構譜系

徒手實現 CNN：綜述論文詳解卷積網路的數學本質

讀懂概率圖模型：你需要從基本概念和參數估計開始

從零開始：教你如何訓練神經網路

開發者必讀：計算機科學中的線性代數

理論

機器學習

學界 | 定量研究：當前機器學習領域十大研究主題

機器學習和深度學習引用量最高的 20 篇論文（2014-2017）

從貝葉斯角度，看深度學習的屬性和改進方法

良心 GitHub 項目：各種機器學習任務的頂級結果（論文）匯總

深度 | 從樸素貝葉斯到維特比演算法：詳解隱馬爾科夫模型

揭秘深度學習成功的數學原因：從全局最優性到學習表徵不變性

深度 | 從 AlexNet 到殘差網路，理解卷積神經網路的不同架構

從 Pix2Code 到 CycleGAN：2017 年深度學習重大研究進展全解讀

前沿方向

OpenAI 詳解進化策略方法：可替代強化學習

從自編碼器到生成對抗網路：一文縱覽無監督學習研究現狀

資源 | 從文本到視覺：各領域最前沿的論文集合

從決策樹到隨機森林：樹型演算法的原理與實現

從概率論到多分類問題：綜述貝葉斯統計分類

從遺傳演算法到 OpenAI 新方向：進化策略工作機制全解

GAN

綜述 | 一文幫你發現各種出色的 GAN 變體

資源 | 生成對抗網路及其變體的論文匯總

生成對抗網路綜述：從架構到訓練技巧，看這篇論文就夠了

計算機視覺

乾貨 | 物體檢測演算法全概述：從傳統檢測方法到深度神經網路框架

重磅 | 自動駕駛計算機視覺研究綜述：難題、數據集與前沿成果（附 67 頁論文下載）

神經風格遷移研究概述：從當前研究到未來方向（附論文和代碼）

深度學習目標檢測模型全面綜述：Faster R-CNN、R-FCN 和 SSD

計算機視覺這一年：這是最全的一份 CV 技術報告

計算機視覺這一年：2017 CV 技術報告 Plus 之卷積架構、數據集與新趨勢

深度 | 2017 CV 技術報告之圖像分割、超解析度和動作識別

深度 | 2017CV 技術報告：從 3D 物體重建到人體姿態估計

自然語言處理

語音合成到了跳變點？深度神經網路變革 TTS 最新研究匯總

資源 | 從全連接層到大型卷積核：深度學習語義分割全指南

學界 | 詞嵌入 2017 年進展全面梳理：趨勢和未來方向

深度 | 一文概述 2017 年深度學習 NLP 重大進展與趨勢

推薦系統

學界 | 一文綜述所有用於推薦系統的深度學習方法

使用深度學習構建先進推薦系統：近期 33 篇重要研究概述

深度學習框架

業界｜谷歌 TensorFlow 的一份全面評估報告：好的壞的及令人討厭的

初學者怎麼選擇神經網路環境？對比 MATLAB、Torch 和 TensorFlow

硬體

業界 | 剖析用於深度學習的硬體：GPU、FPGA、ASIC 和 DSP

神經形態計算與神經網路硬體最全調查：從研究全貌到未來前景

從 GPU、TPU 到 FPGA 及其它：一文讀懂神經網路硬體平台戰局

優化

從淺層模型到深度模型：概覽機器學習優化演算法

綜述論文：當前深度神經網路模型壓縮和加速方法速覽

深度 | 從修正 Adam 到理解泛化：概覽 2017 年深度學習優化演算法的最新研究進展

一文概覽深度學習中的五大正則化方法和七大優化策略

代碼實現

從強化學習基本概念到 Q 學習的實現，打造自己的迷宮智能體

回歸、分類與聚類：三大方向剖解機器學習演算法的優缺點（附 Python 和 R 實現）

基於 TensorFlow 理解三大降維技術：PCA、t-SNE 和自編碼器

一文讀懂遺傳演算法工作原理（附 Python 實現）

10 大深度學習架構：計算機視覺優秀從業者必備（附代碼實現）

從演算法到訓練，綜述強化學習實現技巧與調試經驗

2017 年度盤點：15 個最流行的 GitHub 機器學習項目

本文為機器之心整理，轉載請聯繫本公眾號獲得授權。

------------------------------------------------

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！