第811期机器学习日报(2016-12-07)[size=0.9em]更新于 2016年12月8日机器学习
[color=rgb(179, 179, 179) !important][size=0.9em] 取消收藏
[size=0.85em]我来说两句 « 第809期机器学习日报(2016-12-05)2016年度深度学习的主要进展 »
[size=1.05em]ml [size=0.85em] 0 [size=0.85em] 0[size=0.85em] 671 [size=0.85em]5天 前2016-12-07 日报 机器学习
机器学习日报 2016-12-07
@好东西传送门 出品, 过往目录 见http://ml.memect.com
订阅：给 hao@memect.com 发封空信， 标题: 订阅机器学习日报 或点击
本期话题有： 全部20 深度学习8 会议活动7 资源5 算法3 应用2 自然语言处理2 视觉2公告板1
用日报搜索找到以前分享的内容： http://ml.memect.com/search/ 今日焦点 (5)
 爱可可-爱生活 网页版 2016-12-07 05:32
会议活动 NIPS 会议
【NIPS 2016 OpenAI参会论文(报告)汇总】《NIPS 2016 OpenAI Schedule》http://t.cn/RfsymR7
 网路冷眼 网页版 2016-12-07 21:33
资源 课程
【大数据资源整理】http://t.cn/RIvwm08 大数据最近几年很火，如果你去问读研的小伙伴，搞计算机的，我相信不是搞数据处理就是搞机器学习的，这都属于大数据了的范畴。虽然大数据很火，但是网上的资源却比较少，主要是很零碎，不成体系。本文整理一些相对而言比较成体系的大数据教程，其次会分享一些相…全文： http://m.weibo.cn/1715118170/4050163088193232
爱可可-爱生活 网页版 2016-12-07 19:52
Kaggle Pai Peng 代码
【Kaggle鱼种辨识(NCFM)比赛前5%方案】’Using Keras+TensorFlow to solve NCFM-Leadboard Top 5%’ by Pai Peng GitHub: http://t.cn/RIvG50Href:http://weibo.com/1402400261/EhCFsf3ZO
爱可可-爱生活 网页版 2016-12-07 18:50
会议活动 深度学习 算法 资源 John Schulman NIPS PDF 会议 教育网站 课程 强化学习
【策略优化深度增强学习】《(NIPS 2016 Tutorial)Deep Reinforcement Learning through Policy Optimization》by Pieter Abbeel, John Schulman [Open AI / Berkeley AI Research Lab]http://t.cn/RfsMSJe
 视觉机器人 网页版 2016-12-07 13:20
会议活动 深度学习 资源 NIPS Yann Lecun 行业动态 幻灯片 会议
最新学习资料，昨天，Yann LeCun在巴塞罗那举行的NIPS会议上，在5000多人面前进行了《Prective Learning》的报告，要点参加图片，PPT（75页，38M）百度云下载：http://t.cn/RfsHKUN
最新动态
2016-12-07 (15)
网路冷眼 网页版 2016-12-07 23:39
深度学习 应用 代码 机器人
【China has eclipsed US in AI, robotics and VC funding】http://t.cn/RIvnJn5 中国 在人工智能（AI） /深度学习研究、机器人和VC资金（政府支持3380亿美元）等方面碾压美国 ，参见配图。
 专注云计算 网页版 2016-12-07 22:59
公告板 深度学习
【「大数据」和「深度学习」有什么区别？】深度学习(Deep Learning)只是机器学习(Machine Learning)的一种类别，一个子领域。机器学习 > 深度学习。大数据(Big Data)不是具体的方法，甚至不算具体的研究学科，而只是对某一类问题，或需处理的数据的描述—http://t.cn/RfsXDzT
 钱皓-互联网分析师 网页版 2016-12-07 22:55
应用 自然语言处理 机器人
【BOTs聊天机器人未来的潜力很大】未来可能会有1亿个聊天机器人，会看到类似于应用经济时代的淘金热。理由：1）一场人机交互的重大变革的大幕已然掀开；2）借助聊天机器人的应用用户粘性非常高；3）开发聊天机器人的成本要比开发应用低。详见： http://t.cn/RIvYwzk
 伯乐头条 网页版 2016-12-07 20:45
深度学习 行业动态
《谷歌DeepMind Lab在GitHub上开源：让人工智能学会探索3D世界》 （分享自 @伯乐头条）http://t.cn/RfslOIj
 samplingN 网页版 2016-12-07 20:43
会议活动 资源 David Blei NIPS PDF 会议 教育网站 课程
#NIPS 2016 Tutorial# Variational Inference: Foundations and Modern Methods by David Blei, Shakir Mohamed & Rajesh Ranganath http://t.cn/RIvVMzE 【Main ideas and historical context】【Mean-field VI and stochastic VI】【 Stochastic gradients of the ELBO】【Beyond the mean field】
 龙星镖局 网页版 2016-12-07 20:02
算法 迁移学习 强化学习
纵观近些年机器学习有亮点的进展，都是在样本上做文章，什么半监督、对抗训练、迁移学习、多任务学习、强化学习啊等等，都是沿着丰富样本这条路在做。随着机器学习在所谓“大数据”时代取得了一些进步，人们越来越相信更多的数据才能带来更大的智能。这点没大问题，从方法论上也说得通。但创造性在哪里…全文： http://m.weibo.cn/1830516311/4050140303931174
 微软亚洲研究院 网页版 2016-12-07 18:52
会议活动 自然语言处理 语言学 周明
全球计算语言学和自然语言处理研究领域最具影响力的学术组织——计算语言学协会（ACL， Association for Computational Linguistics）日前宣布，微软亚洲研究院首席研究员周明博士当选为新一届计算语言学协会（ACL）候任主席。恭喜@周明1964 [抱抱_旧] http://t.cn/RIv2i93
微软亚洲研究院 网页版 2016-12-07 18:06
会议活动 深度学习 NIPS 会议 秦涛
【对偶学习】深度学习近年来的重大成功，离不开大数据的支持。然而大规模标注数据的获取成本高昂。为了解决这个问题，微软亚洲研究院在本周NIPS大会提交的其中一篇论文便仔细阐述了一项新的机器学习范式——对偶学习。本文由机器学习组主管研究员秦涛亲自撰写http://t.cn/RIvz0HC
微软亚洲研究院 网页版 转发于2016-12-07 18:09
对偶学习的基本思想是两个对偶的任务能形成一个闭环反馈系统,使我们能从未标注的数据上获得反馈信息,进而利用该反馈信息提高对偶任务中的两个机器学习模型。该思想具有普适性,可以扩展到多个相关任务上面,前提是只要它们能形成一个闭环反馈系统。如从中文翻译到英文,然后从英文翻日文,再从日文翻中文。
微软亚洲研究院 网页版 转发于2016-12-07 18:19
监督学习只能从标注的数据进行学习,只涉及一个任务；半监督学习尽管可以对未标注的样本生成伪标签，但无法知道这些伪标签的好坏；多任务学习的任务之间必须共享相同的输入空间；迁移学习用一个或多个相关任务来辅助主要任务的学习。对偶学习:多任务,没有主次任务之分,采用未标记数据,对输入空间无要求
龙星镖局 网页版 转发于2016-12-07 19:56
学习了，感觉是强化学习+半监督学习+多任务学习三者思想的交叉，这个套路还是讲得通的，也是很好理解的。应该有不错的效果吧[good]
视觉机器人 网页版 2016-12-07 16:21
深度学习 代码
利用深度学习来评判和分析自拍照片的魅力，Selfai: A Method for Understanding Beauty in Selfies，http://t.cn/RfnMRMZ 参考代码：http://t.cn/RfnMRM7
 雷锋网 网页版 2016-12-07 16:02
资源 幻灯片 书籍 吴恩达
为了方便读者学习和收藏，雷锋网特地把吴恩达教授的PPT 做为中文版。[微笑]http://t.cn/RfspbAx
 ArnetMiner 网页版 2016-12-07 13:38
深度学习 算法 Alex Krizhevsky Geoffrey E. Hinton Geoffrey Hinton Ilya Sutskever Ruslan Salakhutdinov 集成学习 神经网络
【每日一推】《Dropout： A Simple Way to Prevent Neural Networks from Overfitting》作者Nitish Srivastava, Geoffrey E. Hinton, Alex Krizhevsky, Ilya Sutskever, Ruslan Salakhutdinov。在训练过程中随机抛弃一些网络单元和这些单元间的联系，可以有效解决ensemble方法耗时过长的问题，同时大幅…全文：http://m.weibo.cn/1870858943/4050043645847007
 数盟社区 网页版 2016-12-07 11:25
会议活动 视觉 ECCV 会议
ECCV16 Grid Loss及其在人脸检测中的应用http://t.cn/RfD4Lif
 自动化网官方微博 网页版 2016-12-07 10:46
视觉
#计算机视觉#是一门研究如何使机器“看”的科学，更进一步的说，就是是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等#机器视觉#，并进一步做图形处理，使电脑处理成为更适合人眼观察或传送给仪器检测的图像。计算机视觉试图建立能够从图像或者多维数据中获取‘信息’的人工智能系统…
 SegmentFault 网页版 2016-12-07 10:07
统计
【机器学习之朴素贝叶斯】传送门:http://t.cn/RfDSrhv – 生成式与判别式 – 朴素贝叶斯 – 拉普拉斯平滑 – 实践
爱可可-爱生活 网页版 2016-12-07 09:23
Kaggle
【赛马数据集】《Horses For Courses – Daily horse racing (thoroughbred) data, machine learning for fun and profit | Kaggle》by lukebyrne http://t.cn/RfsIFTL
| 
发表于 2016-12-12 16:30:27
