本次推薦的系列文章涉及：游戲人工智能、機(jī)械手操縱、舞蹈、機(jī)器翻譯新突破、行人計(jì)數(shù)器、神經(jīng)網(wǎng)絡(luò)內(nèi)部數(shù)學(xué)原理、神經(jīng)算術(shù)、TensorFlow、AlphaGo Zero 算法、Uber 客服系統(tǒng)。

▌1.游戲人工智能入門指南

該文章介紹了游戲人工智能中的常見概念，它們在開發(fā)過程中的作用，以及如何上手進(jìn)行實(shí)際操作。作者通過一個(gè)簡單的小游戲 Pong 展示了游戲開發(fā)中的人工智能，文中所用的代碼示例大多為偽代碼，所以沒有特定的編程語言限制。內(nèi)容大致分為以下幾個(gè)方面：

什么是游戲人工智能

游戲人工智能中的約束

基本決策與高級決策

運(yùn)動(dòng)與導(dǎo)航

制定計(jì)劃

學(xué)習(xí)與自適應(yīng)

知識表示

閱讀鏈接：

https://www.gamedev.net/articles/programming/artificial-intelligence/the-total-beginners-guide-to-game-ai-r4942?utm_source=mybridge&utm_medium=blog&utm_campaign=read_more

▌2.基于強(qiáng)化學(xué)習(xí)的靈巧操作：高效、高適應(yīng)性、低耗

該文章介紹了如何通過深度強(qiáng)化學(xué)習(xí)來控制靈巧手的多種操作任務(wù)，這種方法使用了低耗硬件，運(yùn)行更加高效，而且引入了示范和模擬來加速學(xué)習(xí)進(jìn)程，有助于提高靈巧手的適應(yīng)性。同時(shí)，在實(shí)際訓(xùn)練過程中還面臨許多問題和挑戰(zhàn)，如機(jī)械手容易迅速發(fā)燙、強(qiáng)化學(xué)習(xí)所需的反饋需要手動(dòng)完成等問題。

閱讀鏈接：

https://bair.berkeley.edu/blog/2018/08/31/dexterous-manip/?utm_source=mybridge&utm_medium=blog&utm_campaign=read_more

▌3. “跟我一起做” —— 動(dòng)作遷移的實(shí)現(xiàn)方法

該論文介紹了一種實(shí)現(xiàn)動(dòng)作遷移的方法，給定一個(gè)人跳舞的源視頻，我們可以將舞蹈動(dòng)作遷移到另一個(gè)動(dòng)作不同的目標(biāo)體上。該團(tuán)隊(duì)將其看作一個(gè)逐幀進(jìn)行圖對圖遷移的問題，將動(dòng)作檢測作為源和目標(biāo)之間的中間語言，學(xué)習(xí)了從動(dòng)作圖像到目標(biāo)對象表現(xiàn)的映射，并最終生成視頻。

閱讀鏈接：

https://bair.berkeley.edu/blog/2018/08/31/dexterous-manip/?utm_source=mybridge&utm_medium=blog&utm_campaign=read_more

論文鏈接：

https://arxiv.org/abs/1808.07371

視頻鏈接：

https://www.youtube.com/watch?v=PCBTZh41Ris&feature=youtu.be

▌4.無監(jiān)督機(jī)器翻譯：面向多種語言，更快速，更精準(zhǔn)

自動(dòng)翻譯功能對 Facebook 來說至關(guān)重要，因?yàn)橛脩粢x擇自己所需的語言進(jìn)行溝通和交流。該團(tuán)隊(duì)在 2018 EMNLP 大會(huì)上介紹了有關(guān)無監(jiān)督翻譯的工作內(nèi)容，將此前最先進(jìn)的無監(jiān)督方法進(jìn)行了優(yōu)化，在對許多小語種的翻譯上取得了顯著效果，同時(shí)為世界上大多數(shù)語言提供了更快速、準(zhǔn)確的翻譯。文章為讀者展示了新方法的思路和原理，并給出了未來進(jìn)一步優(yōu)化的方向。

閱讀鏈接：

https://code.fb.com/ai-research/unsupervised-machine-translation-a-novel-approach-to-provide-fast-accurate-translations-for-more-languages/?utm_source=mybridge&utm_medium=blog&utm_campaign=read_more

▌5.利用 OpenCV 建立行人計(jì)數(shù)器

基于 OpenCV 的行人計(jì)數(shù)器始終是 PyImageSearch 上的熱門話題，該文章介紹了如何用 OpenCV 和 Python 建立行人計(jì)數(shù)器，即實(shí)時(shí)記錄進(jìn)入和離開一家門店的人數(shù)。文章內(nèi)容包括以下幾個(gè)部分：

列出所需的 Python 庫

介紹項(xiàng)目的大致結(jié)構(gòu)

講解物體檢測算法的原理

創(chuàng)建可追蹤的對象

基于 OpenCV 和 Python 創(chuàng)建計(jì)數(shù)器

加載視頻，進(jìn)行測試

閱讀鏈接：

https://www.pyimagesearch.com/2018/08/13/opencv-people-counter?utm_source=mybridge&utm_medium=blog&utm_campaign=read_more

▌6.探索深度網(wǎng)絡(luò)內(nèi)部的數(shù)學(xué)原理

如今我們在深度學(xué)習(xí)過程中，只需直接引入一些庫，編寫數(shù)行代碼，無需擔(dān)心權(quán)重矩陣也不必決定使用哪些激活函數(shù)，但了解神經(jīng)網(wǎng)絡(luò)的內(nèi)部原理有助于結(jié)構(gòu)選擇，參數(shù)調(diào)試和后續(xù)的優(yōu)化。該文章為我們講述了隱藏在神經(jīng)網(wǎng)絡(luò)內(nèi)部的數(shù)學(xué)原理，分別從神經(jīng)元、神經(jīng)層、矢量化、激活函數(shù)、損失函數(shù)、后向傳播算法幾個(gè)方面進(jìn)行了詳細(xì)解讀。

閱讀鏈接：

https://towardsdatascience.com/https-medium-com-piotr-skalski92-deep-dive-into-deep-networks-math-17660bc376ba

▌7.神經(jīng)算術(shù)邏輯單元

神經(jīng)網(wǎng)絡(luò)可以學(xué)習(xí)如何表征和操縱數(shù)字信息，但遇到訓(xùn)練過程中未見過的數(shù)據(jù)會(huì)表現(xiàn)不佳。該論文提出了一種由神經(jīng)算術(shù)邏輯單元 (Neural Arithmetic Logic Units, NALU) 加強(qiáng)的神經(jīng)網(wǎng)絡(luò)，這種網(wǎng)絡(luò)可以追蹤時(shí)間，基于圖像數(shù)量執(zhí)行計(jì)算，將數(shù)字語言轉(zhuǎn)化為數(shù)值標(biāo)量，執(zhí)行計(jì)算代碼，并對圖像中的物體進(jìn)行計(jì)數(shù)。

閱讀鏈接：

https://arxiv.org/abs/1808.00508?utm_source=mybridge&utm_medium=blog&utm_campaign=read_more

▌8.關(guān)于 TensorFlow 你必須知道的9件事

該文章的作者是 Google 的首席決策工程師 Cassie Kozyrkov，她在文章中總結(jié)分享了關(guān)于 TensorFlow 的 9 個(gè)重要特性，如便捷的神經(jīng)網(wǎng)絡(luò)創(chuàng)建方式、適用于多種語言、專用的硬件設(shè)備、新型數(shù)據(jù)流等等。

閱讀鏈接：

https://hackernoon.com/9-things-you-should-know-about-tensorflow-9cf0a05e4995

▌9.DeepMind 阿爾法狗 Zero 詳解

這是一段介紹阿爾法狗 Zero 算法的視頻，該算法是由 DeepMind 公司開發(fā)的，它通過自我訓(xùn)練打敗了世界上最好的圍棋職業(yè)選手。在訓(xùn)練過程中，阿爾法狗反復(fù)地與自己進(jìn)行對戰(zhàn)，在沒有人類玩家策略輸入的情況下，取得了越來越好的效果。這段視頻還用代碼和動(dòng)畫相結(jié)合的方式，展示了算法中用到的神經(jīng)網(wǎng)絡(luò)的內(nèi)部組成。

視頻鏈接：

https://www.youtube.com/watch?v=UzYeqAJ2bA8

代碼鏈接：

https://github.com/Zeta36/chess-alpha-zero

▌10.基于深度學(xué)習(xí)的升級版 Uber COTA 客服系統(tǒng)

今年年初，Uber 推出了基于 NLP 和機(jī)器學(xué)習(xí)構(gòu)建的 COTA 客服系統(tǒng)。利用該系統(tǒng)，Uber 可以快速高效地解決 90％ 以上的客服問題。COTA v1 系統(tǒng)對 Uber 來說只是一個(gè)開始，Uber 團(tuán)隊(duì)利用深度學(xué)習(xí)對該系統(tǒng)進(jìn)行了進(jìn)一步升級，提升了模型性能，提高了事件處理速度和用戶滿意度，COTA v2 系統(tǒng)誕生了。該文章為我們詳細(xì)介紹了升級版 COTA 系統(tǒng)模型的內(nèi)部原理，以及實(shí)際部署過程中遇到的困難。

閱讀鏈接：https://eng.uber.com/cota-v2/

原文鏈接：

https://medium.mybridge.co/machine-learning-top-10-articles-for-the-past-month-v-sep-2018-ccd976f6544f