译者 | ang010ela
编辑 | 姗姗
出品 | 人工智能头条（公众号ID：AI_Thinker）
【导读】在过去的一个月中， 作者从近 1400 篇有关机器学习的文章中挑选了最有可能帮助职业生涯发展的 10 篇推荐给大家（入选比率为0.7%）。
（此前发布过多篇收藏党喜欢的文章，也是来自Mybridge：①
Python 开源项目 Top 10 精选，平均star为1128！
②
从15000个Python开源项目中精选的Top30，Github平均star为3707，赶紧收藏！
③
我们从8800个机器学习开源项目中精选出Top30，推荐给你
④
5月Python好文TOP 10新鲜出炉
⑤
Keras、卷积神经网络、Pytorch 以及音频处理优秀文章推荐
⑥
机器学习 TOP 10 必读论文
⑦
Top 50机器学习项目实战总结
）
▌
前言
这10篇文章涉及了 DeepMind 提出的 GQN 网络 、Open AI 多智能体在游戏任务中大获全胜背后的原理与技术、TensorFlow 的实践经验、如何给模型调优、如何用机器学习生成惊艳酷炫的作品、如何进行面部识别与只用 10 行代码就操作了一波目标检测等技术。可以说这波操作厉害了，各种类型总有一个会是你喜欢的！
▌
No.1 Neural scene representation and rendering: DeepMind self-training computer creates 3D model from 2D snapshots
摘要：
DeepMind 在 Science 上发表了新论文《Neural scene representation and rendering》。论文介绍了一种新型计算机视觉算法，可以基于某个单一的平面图像，去从不同角度“想象”它的三维模型。该算法被称之为生成查询网络（ GQN ）。只需给人工智能一些二维场景图片，比如说一面砖墙、楼梯上的明亮球体和方块，人工智能就可以产生从不同角度观察这个场景的三维模拟图、渲染物体不同的面甚至解决相同光源下的阴影位置问题。GQN 建立在大量关于多视图几何，生成建模，无监督学习和预测学习的相关工作的研究基础上，但是它允许将相同的模型应用与一系列不同的环境，与更传统的计算机视觉技术相比，虽然还存在许多限制，然而随着新数据源的出现及硬件的不断进步，DeepMind 公司希望能够研究 GQN 框架在真实场景中更高分辨率图像中的应用；在未来的工作中，探索 GQN 在场景理解的更广泛应用。
论文题目：
Neural scene representation and rendering
论文地址：
http://science.sciencemag.org/content/360/6394/1204
文章地址：
https://deepmind.com/blog/neural-scene-representation-and-rendering
▌
聚焦 ICML
Deep Mind 近日也发表推文谈到，关于 GQN 已经有了新的拓展与应用。在本届 ICML 大会上，Google 将会与大家一起分享关于“深度生成模型的理论与应用”（Theoretical Foundations and Applications of Deep Generative Models）的主题研讨会，届时大家可以学习到更多有关 GQN 的内容。
研讨会介绍：
https://sites.google.com/corp/view/tadgm/home
▌
No.2 A machine has figured out Rubik’s Cube all by itself
摘要：
加州大学欧文分校的StephenMcAleer及其同事开创了一种新的深度学习技术，并认为他们的方法是对问题进行推理的一种形式，称为“自主学习迭代（Autodidactic iteration）”，可以让机器自行解决魔方的问题，而无需人工协助。已经掌握的技巧是找到机器创建自己的奖励系统的方法。这是个意义重大的里程碑，因为新方法解决了计算机科学中的一个重要问题：如何在最少的帮助下让机器解决复杂的问题。当然，真正的考验是如何将这种方法应用到更复杂的问题上，也让很多人关心它将如何做到。
论文题目：
Solving the Rubik's Cube Without Human Knowledge
论文地址：
https://arxiv.org/abs/1805.07470
文章地址：
https://www.technologyreview.com/s/611281/a-machine-has-figured-out-rubiks-cube-all-by-itself/
▌
No.3 A visual introduction to machine learning, Part II
摘要：
在机器学习中，应用统计学习技术来自动识别数据模型，还可用于进行高度准确的预测。利用数据创建一个机器学习模型，而建模的目标是通过识别和编码数据模型来逼近显示真实的情况，如果模型过于简单或复杂都会出错，本文章是机器学习的视觉介绍系列文章的第二篇：如何调整模型与偏差-方差的权衡。
本文地址：
http://www.r2d3.us/visual-intro-to-machine-learning-part-2/
此系列文章第一篇地址：
http://www.r2d3.us/visual-intro-to-machine-learning-part-1/
▌
NO.4 OpenAI Five: Defeating amateur human players at Dota 2
摘要：
OpenAI自学习多智能体5v5团队战击败DOTA2业余人类玩家，这代表着AI在决策智能上的能力大幅向前推进。OpenAI Five之所以战胜DOTA2的业余选手，主要原因在于它使用“近端策略优化”（PPO）的扩展版算法，在256个GPU和128000个CPU内核上进行训练。每个英雄都使用单独的LSTM，不使用人类数据，最终AI能够学会识别策略。比尔·盖茨也发推文称赞：这是一件大事，因为它们的胜利需要团队合作和协作——这是推进人工智能的一个巨大里程碑。
文章地址：
https://blog.openai.com/openai-five
▌
NO.5 Tensorflow: The Confusing Parts (1)
