|
了解过去一周AI圈咨讯，一篇就够了！ 新闻IBM和MIT成立联合人工智能研究实验室 来源：NEWS.MIT.EDU IBM计划投资240万元，与MIT联合创建一个能工作十年的、叫作MIT-IBM沃森的人工智能实验室。实验室主要进行基本的人工智能研究。 prowler.io在AI决策领域抢到了1300万美元 来源：TECHCRUNCH.COM Prowler是基于概率模型，强化学习和博弈论在一个平台上工作。他们的目标是能够用更少的数据来学习，而不是今天更为广泛的深入学习方法。 IBM的沃森为癌症治疗带来了革命吗？并没有 来源：WWW.STATNEWS.COM IBM用沃森向全世界的医生销售癌症治疗方案已经有三年了，但一项统计调查发现，沃森超级计算机并没有达到IBM为它设置的崇高期望。 谷歌大脑团队将在Reddit上举行AMA 来源：WWW.REDDIT.COM 谷歌大脑团队将于2017年9月13日举行AMA（Ask Me Anything），从上午9点左右开始回答问题。对于想要了解谷歌深度学习团队要做什么的学习者来说，这是一个很好的机会。 文章&教程EMNLP 2017会议视频放出 来源：KU.CLOUD.PANOPTO.EU 所有EMNLP 2017（Empirical Methods in Natural Language Processing）会议的视频已经被记录并可以在线查阅了，可以使用YouTube-dl下载这些视频。 米开朗基罗：Uber的机器学习平台 来源：ENG.UBER.COM Uber工程部门日前公布了关于米开朗基罗，其机器学习即服务系统的更多细节，可以使Uber的团队建立、部署和操作机器学习。 我的神经网络不工作！我该怎么办？ 来源：THEORANGEDUCK.COM 如果你的神经网络不工作，你可能犯了很多错误。这篇文章汇编了神经网络的错误经验，并能够帮助你实施神经网络，完成你的神经网络项目。 基于Pytorch的fast.ai 来源：WWW.FAST.AI 下一个fast.ai课程将几乎完全建立在pytorch这个新的框架之上。这篇文章讨论了离开TF / Keras的原因：实施动态模型，使用NLP（也是RL）更方便，更简单，更样板化。大部分的NLP社区赞成这些观点。 项目&数据ONNX：一个可互换AI框架的生态系统 来源：RESEARCH.FB.COM Facebook和微软推出ONNX（Open Neural Network Exchange）样板，一个使深度学习模型能在框架之间转移的标准。 TensorFlow代理：一个RL工具的TF library 来源：GITHUB.COM 该项目为强化学习提供了优化的基础设施。它扩展了OpenAI Gym的接口到多个并行环境并且允许代理在TensorFlow上进行批量计算。 AllenNLP：一个建立在pytorch上的开源NLP研究库 来源：ALLENNLP.ORG 设计和评估了几乎所有NLP问题的深度学习模型，以及易于在云中或笔记本上运行的硬件。它包括实现核心的NLP问题（如semantic role labeling）和NLP应用（例如textual entailment）。 一种在多个扬声器上生成语音的方法（Facebook） 来源：GITHUB.COM 描述了如何通过语音回路来完成自然状态下说话者的语音合成，使用了基于PyTorch的解决方案。 爆款论文挤压&激发网络（Squeeze-and-Excitation Networks） 来源：ARXIV.ORG 一个CNNs的新建筑单元，称为“挤压和激励”（SE：Squeeze-and-Excitation），能够通过准确建模通道块之间的相互依存关系来自适应地调整通道块。SE块以较低的计算成本为现有的深度架构提供了性能改进。SENets形成了ILSVRC 2017分类比赛的基础并使该团队获得了第一名，误差从原来的5%左右降低到了2.251%，相对于2016年的获奖作品改善了25%. 深度学习技术对音乐生成的调查 来源：ARXIV.ORG 这个调查对使用深度学习产生音乐内容的不同方法进行了调查和分析。要产生什么音乐内容？（例如，旋律、伴奏）；用于语料库和预期生成输出的信息格式是什么？（例如，MIDI、钢琴谱、文本）；使用什么类型的深层神经网络？（例如，递归神经网络，自编码，GANs）；如何建立和控制生成过程（例如，直接前馈，抽样，单元选择）？ 一个深度增强学习聊天机器人 来源：ARXIV.ORG MILABOT：一个由MILA（Montreal Institute for Learning Algorithms）为Amazon Alexa Prize竞赛开发的深度增强学习聊天机器人，MILABOT能够通过语音和打字的方式在大多数话题上与人类进行对话。 |
|
|
