20万，这是新智元如今达到的用户总数。在飞向智能宇宙的旅程中，感谢每一位和新智元同行的朋友。您的关注和支持是“新智元号”星舰永不枯竭的燃料。
20 万，每一位乘客对我们来说都弥足珍贵。我们希望加深对每一位乘客的了解，恳请您对这份问题不多、且不涉及任何隐私的调查问卷给出宝贵的反馈。
新智元正在举行评论赠书活动，点击阅读原文投票，并留下你对新智元公众号的建议，赢取《深度学习》免费赠书。
来源：blog.sicara.com
作者：Flavian Hautbois
编译：四叠半
【新智元导读】数据科学家 Flavian Hautbois 评选出了 7 月份他最喜爱的人工智能和数据处理相关论文的 Top 10。让我们来看看吧！
数据科学家 Flavian Hautbois 评选出了 7 月份他最喜爱的人工智能和数据处理相关论文的 Top 10。让我们来看看吧！
1. 如何教机器自动编程？—— Neat学习
Murat Vurucu 的这篇文章中，用简单的术语和例子对一种名为NEAT的新技术进行了解释。NEAT通过结合现有遗传学启发的神经网络产生神经网络。这篇文章唯一的问题是“neat”这个词完全没有双关含义。
阅读地址： 如何教机器自动编程？Neat学习——Murat Vurucu http://t.cn/R9KRUmt
2. 基于树的学习算法实用指南
你在寻找一个对基于树的算法的既彻底，而且可操作性强的解释？不用找了，这个深入的教程堪比Udacy：包括理论解释，美观的图片和代码示例。作者 Sadanand Singh 也写了一个类似的SVM教程。
阅读地址：基于树的学习算法实用指南——Sadanand Singh https://sadanand-singh.github.io/posts/treebasedmodels/
3. 想象一下：通过重新组合熟悉的概念来创建新的视觉概念
Deepmind 提出一种新的算法，能够从已学习的概念进行推广。研究人员模仿婴儿学习的方式——婴儿根据语言线索（口头提示）观看对象，并得出其中的意义。研究人员成功地展示了对一些颜色和物体的泛化能力。我们发现他们的架构中使用无监督学习，这是特别有意思的一点。这与“深度学习的未来”（本文介绍的第6篇）一文肯定有共鸣之处。
阅读地址：通过重新组合熟悉的概念来创建新的视觉概念——DeepMind https://deepmind.com/blog/imagine-creating-new-visual-concepts-recombining-familiar-ones/
4. 计算机阅读肢体语言
这一技术令人印象深刻。机器学习系统通过一台摄像机，实时地学会识别肢体语言，只需一台笔记本，识别的对象包括十几个人。卡内基梅隆大学的研究人员使用类似Kinect的精确肢体映射来训练他们的AI。它的输入是一台摄像机的视频流，更精确的数据作为地面真值。AI学会正确地从训练数据推广，结果令人印象深刻。 研究人员以开源的方式发布了他们的代码，供大家使用。先看视频：
地址：计算机阅读肢体语言——Byron Spice https://www.cmu.edu/news/stories/archives/2017/july/computer-reads-body-language.html
5. 人机对决
在李世乭、柯洁和AlphaGo对决之前，在Garry Kasparov和Deep Blue对决之前，Marion Tinsley早与Chinook对决过。Alexis C. Madrigal 的这篇文章描述了早在20世纪90年代初，人类与计算机的第一场对决。Marion Tinsley是英国跳棋棋王，自1954年出道以来，只输过九次，被誉为有史以来最伟大的英国跳棋棋手。1994年与最强的电脑英国跳棋程序Chinook对决，六战皆和局后，因健康因素退出比赛，七个月后因胰岛癌过世。《大西洋月刊》的这篇文章探讨了程序员和棋手的心理，为了解当前的机器学习进展提供了很好的见解，同时也给读者带来真正的文学趣味。
阅读： How checkers was solved — from Alexis C. Madrigal https://www.theatlantic.com/technology/archive/2017/07/marion-tinsley-checkers/534111/
6. 深度学习的未来
François Chollet在这篇文章中探讨了如何将机器学习模型推向更接近AGI（通用人工智能）。文章接续他以前一篇对人工智能的局限的文章（两篇文章都来自《Python深度学习》一书）。我喜欢他针对这个话题很务实的观点。绝对是一篇好文章！
阅读：深度学习的未来——François Chollet
7. 机器学习中的技术性债务
Maksym Zavershynskyi 的这篇文章提供了一个简短而令人信服的概述，介绍机器学习项目中如何产生技术性债务。虽然我们觉得他的文章语气太夸张，但我们很感谢他提供了对这个相对较少讨论对话题的探讨。他的建议是非常可行的。他也提供了一些相同主题的论文。
阅读：机器学习中的技术性债务——Maksym Zavershynskyi https://medium.com/towards-data-science/technical-debt-in-machine-learning-8b0fae938657
8. AI 正在改变科学研究的方式
《科学》杂志介绍了5个科学领域使用机器学习和AI的案例，包括物理学、心理学、生物学、天文学和化学。前沿的科学实验正在使用AI技术。你可以在下次与物理学家们参加鸡尾酒会时使用这些例子。
阅读：AI 正在改变科学研究的方式——《科学》http://www.sciencemag.org/news/2017/07/ai-changing-how-we-do-science-get-glimpse
9. 我有数据，我需要洞察力，我该从哪里开始？
如果你在数据科学方面工作，你可能会遇到这样的问题：大多数人不知道从哪里开始。Rama Ramakrishnan 认为，你应该将一个业务看作一个黑盒来探索。作为数据科学家，问一下自己在挖掘数据之前希望数据是怎样的。
阅读：我有数据，我需要洞察力，我该从哪里开始？——Rama Ramakrishnan https://medium.com/towards-data-science/i-have-data-i-need-insights-where-do-i-start-7ddc935ab365
10. 现在就可以使用的人工智能工具列表——企业用
如果有人对你说，AI仍然是实验室的事情，那就向他展示这个清单。AI的商业目的使用正在飞速增长。LiamHänel 花了几个小时在各个领域选择了数百家公司。这个清单非常强大，而且都是高质量的好用工具。这是第二部分，我们期待即将到来的第三部分！
地址：现在就可以使用的人工智能工具列表——LiamHänel https://hackernoon.com/a-list-of-artificial-intelligence-tools-you-can-use-today-for-businesses-2-3-eea3ac374835
编译来源：https://blog.sicara.com/07-2017-best-big-data-new-articles-this-month-acb58d4bb15d
【号外】新智元正在进行新一轮招聘，飞往智能宇宙的最美飞船，还有N个座位
点击阅读原文可查看职位详情，期待你的加入~
