2018年50篇让人惊喜的机器学习文章

资源整理

来源：Mybridge

过去一年，我们比较了将近22000篇关于机器学习的文章，从中挑选出了50篇在2019年最有可能帮助你提升自己的。

这是一份具有较强竞争力的榜单（0.23%），Mybridge AI通过考虑文章的受欢迎程度、参与度以及创新性等多方面来评估文章的质量，致力于为大家提供一份有用的资源。（排名不分先后）

文章包含上图中的16类别

Deep Video

No 1

利用deepfake，给视频中的人物换脸。文章详细介绍了作者如何将自己妻子的脸换到电视节目上的。

http://t.cn/R8rROec

No 2

深度视频肖像，该文章提出了一种新颖的方法，机器可以根据输入实现肖像表情的学习，生成逼真的动画。

https://web.stanford.edu/~zollhoef/papers/SG2018_DeepVideo/page.html%0A?utm_source=mybridge&utm_medium=blog&utm_campaign=read_more

人脸识别

No 3

如何使用Python和深度学习实现iPhone X的FaceID。

https://towardsdatascience.com/how-i-implemented-iphone-xs-faceid-using-deep-learning-in-python-d5dbaa128e1d

FaceID开源资源：

https://github.com/normandipalo/faceID_beta

No 4

使用OpenCV、Python和深度学习进行人脸识别

http://t.cn/E51laHy

No 5

Spreadsheets帮助新手更容易实现人脸识别项目。

http://t.cn/ReOdUf8

物体检测

No 6

深度学习模型实现Airbnb上的室内照片物体检测，并进行分类。

http://t.cn/R17EWs4

No 7

使用OpenCV进行YOLO物体检测。

http://t.cn/E518rBe

No 8

十行代码实现物体检测。

http://t.cn/E51RJSr

游戏AI

No 9

入门游戏AI指南

http://t.cn/E51EQpz

No 10

基于预测奖励的强化学习

http://t.cn/E51nfGY

No 11

Uber工程师提出的一种新的算法——Go-Explore，来解决Montezuma’s Revenge的问题。

https://eng.uber.com/go-explore/

No 12

机器如何在复杂的第一人称多人游戏中表现出接近人类的水平，甚至能够与人类玩家进行合作。

http://t.cn/E51mQua

No 13

OpenAI Five，在Dota2中击败业余的人类玩家。

http://t.cn/E51uyOn

No 14

AlphaZero：在国际象棋、将棋以及围棋等游戏中都大获全胜。

http://t.cn/E513bYY

No 15

如何用Python和Keras构建自己的AlphaZero。

http://t.cn/E51302A

No 16

简单解释：AI是如何学会下围棋的。

http://t.cn/E513Bml

医疗

No 17

深度学习在医学图像处理方面不合理的用处。

http://t.cn/E511HdX

No 18

利用DNA-based winner-take-all（胜者通吃）神经网络扩大分子模式识别。

http://t.cn/E511sAe

No 19

让深度学习模型学会看MR图像。

http://t.cn/E51BGbF

运动

No 20

一起跳舞，机器跟踪人类动作。

http://t.cn/E51rSxp

No 21

让机器人看视频学杂技动作。

http://t.cn/E51rOy4

No 22

机器人手，使用和OpenAI Five相同的学习算法和代码进行训练，学会类似人类手玩球的技能。

http://t.cn/E51r3Pa

No 23

在训练人工智能体时使用类似网格的表示进行导航。

http://t.cn/E51rsCO

Web和App

No 24

实践：我如何使用CoreML，PyTorch以及React Native在iOS上构建神经网。

http://t.cn/E51drBp

No 25

如何训练AI将我们设计的模型转换为HTML和CSS。

http://t.cn/E51g28r

翻译

No 26

用更快的训练和推理将神经机器翻译扩展到更大的数据集——Facebook Code

http://t.cn/E51gR1Q

No 27

如何用深度学习构建翻译机。

http://t.cn/E51eweo

No 28

无监督机器翻译：为更多语言提供快速、准确翻译的新方法。

http://t.cn/E51etJW

NLP

No 29

IIIuntreated BERT，ELMo和co

http://t.cn/E51es7k

No 30

注释翻译机——Harvard NLP

http://t.cn/EbH0iET

No 31

自然语言处理很有趣。

http://t.cn/E51DVnJ

神经网络

No 32

手把手教用Python构建神经网络。

http://t.cn/E51kvwG

No 33

让我们用简单的NumPy构建一个神经网络。

http://t.cn/E51kLZP

CNN

No 34

可区分的图像参数化：一个强大的，正在探索中的用于神经网络可视化和艺术的工具。

http://t.cn/E51FmPE

No 35

特征转换

http://t.cn/E51FdcZ

No 36

Keras和卷积神经网络

http://t.cn/E51svGt

No 37

可解释性的Blocks

http://t.cn/E51sAzU

No 38

使用机器学习理解图像和视频中的文本

http://t.cn/E51s4E9

No 39

卷积神经网络的一个有趣的失败和CoordConv解

http://t.cn/E51sVSo

RNN

No 40

Google Duplex：一个帮助人类完成任务的语音服务AI系统。

http://t.cn/E5BvLgi

No 41

World Models：机器人可以通过自己的梦学习吗？

http://t.cn/E532CFz

强化学习

No 42

从强化学习论文中学习教训。

http://t.cn/E5BPNcU

No 43

关于强化学习的一些高效、通用和低成本的技巧。

http://t.cn/E5BPjzw

No 44

深度强化学习不起作用。

http://t.cn/E5BPEmS

TensorFlow

No 45

TensorFlow中的Triplet Loss和Online Triplet Mining

http://t.cn/E5Bh6Rs

No 46

TensorFlow中令人困惑的组件。

http://t.cn/E5BzADR

No 47

TensorFlow-Project-Template：一个TensorFlow项目模版的最佳实践。

http://t.cn/E5BzqX6

No 48

用Tensorflow.js实现浏览器中进行实时人体姿态估计。

http://t.cn/E5Bznmq

学习指南

No 49

机器学习通用指南|Google Developers

http://t.cn/E5BZZYz

No 50

基于模型的机器学习

http://t.cn/E5BZV5A

资源来源：

https://medium.mybridge.co/learn-machine-learning-from-top-50-articles-for-the-past-year-v-2019-15842d0b82f6

>