总结机器学习优质学习文章Top50！

                                         

整理 | Jane

出品 | AI科技大本营（公众号id：rgznai100）

在过去一年里，我们每个月都会给大家推荐一些优质的、最新的机器学习研究成果或机器学习技术文章，很多文章是从近千篇文章中评选出来的。综合考虑这些文章的更新时间、文章质量、受欢迎程度等因素，这次我们将为大家其中的 Top50，有些文章我们以前也详细讲解过，大家可以进行再次详读。

2018 机器学习热文系列一

2018 机器学习热文系列二

2018 机器学习热文系列三

2018 机器学习热文系列四

2018 机器学习热文系列五

2018 机器学习热文系列六

2018 机器学习热文系列七

2018 机器学习热文系列八

总结 2017 年机器学习领域最受欢迎的文章

新一年已经开始了，大家可以从这些文章涉及的领域、方向，告诉我们你们今年更想看到看到哪些内容，今年我们将继续为大家介绍、推荐更多优质的学习资源。我在留言区等你们~

一、深度视频（Deep Video）

1、Deepfakes

https://towardsdatascience.com/family-fun-with-deepfakes-or-how-i-got-my-wife-onto-the-tonight-show-a4454775c011

2、Deep Video Portraits

https://web.stanford.edu/~zollhoef/papers/SG2018_DeepVideo/page.html%0A

二、面部识别（Face Recognition）

3、用 Python 实现 iPhone X 面部识别的深度学习方法

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

https://github.com/normandipalo/faceID_beta

4、通过 OpenCV、Python 和深度学习方法进行人脸识别

https://www.pyimagesearch.com/2018/06/18/face-recognition-with-opencv-python-and-deep-learning/

5、仅用  Excel 就可以进行人脸识别

https://towardsdatascience.com/cutting-edge-face-recognition-is-complicated-these-spreadsheets-make-it-easier-e7864dbf0e1a?utm_source=mybridge&utm_medium=blog&utm_campaign=read_more

三、物体检测（Object Detection）

6、Aibnb 平台上的照片分类任务，实现大规模深度学习模型

https://medium.com/airbnb-engineering/categorizing-listing-photos-at-airbnb-f9483f3ab7e3

7、基于 OpenCV 用 YOLO 实现目标检测

从YOLOv1到YOLOv3，目标检测的进化之路

https://www.pyimagesearch.com/2018/11/12/yolo-object-detection-with-opencv

8、10行代码就能实现的对象检测教程

https://towardsdatascience.com/object-detection-with-10-lines-of-code-d6cb4d86f606

四、游戏 AI

9、一份初学者指南

https://www.gamedev.net/articles/programming/artificial-intelligence/the-total-beginners-guide-to-game-ai-r4942

10、OpenAI 发布基于预测奖励的强化学习

https://blog.openai.com/reinforcement-learning-with-prediction-based-rewards/

11、Uber 发布的一种解决硬探索问题的新算法

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

12、DeepMind 在夺旗游戏中取得的成果

https://deepmind.com/blog/capture-the-flag/

13、OpenAI Five 在 DOTA2 中击败人类选手，取得的成果

https://blog.openai.com/openai-five

五、棋类游戏

14、AlphaZero，DeepMind 发布在围棋、国际象棋等棋类任务中取得的新成果

https://deepmind.com/blog/alphazero-shedding-new-light-grand-games-chess-shogi-and-go

15、基于 Python 和 Keras 实现的 AlphaZero AI

https://medium.com/applied-data-science/how-to-build-your-own-alphazero-ai-using-python-and-keras-7f664945c188

16、AI 学会围棋的一个简单解释

https://medium.freecodecamp.org/explained-simply-how-an-ai-program-mastered-the-ancient-game-of-go-62b8940a9080

六、医疗领域

17、深度学习在医疗图像数据集中存在哪些不合理的用法

https://lukeoakdenrayner.wordpress.com/2018/04/30/the-unreasonable-usefulness-of-deep-learning-in-medical-image-datasets

18、Scaling up molecular pattern recognition with DNA-based winner-take-all neural networks

https://www.nature.com/articles/s41586-018-0289-6.epdf

19、用深度学习研究大脑 MR 图像

https://medium.com/stanford-ai-for-healthcare/its-a-no-brainer-deep-learning-for-brain-mr-images-f60116397472

七、运动

20、人人是舞王

https://carolineec.github.io/everybody_dance_now/

21、Berkeley 研究的虚拟特效人

https://bair.berkeley.edu/blog/2018/04/10/virtual-stuntman

22、OpenAI 研究的灵活机械人手

OpenAI发布最新「模拟机器人环境」,用「真实机器人」模型进行训练

OpenAI 的机械手在试错中自学成才，无需人类训练

https://blog.openai.com/learning-dexterity/

23、DeepMind 发布的Navigating with grid-like representations in artificial agents

https://deepmind.com/blog/grid-cells/

八、Web & APP

24、如何用 CoreML、PyTorch 和 React Native 在 ios 上完成一个神经网络

https://attardi.org/pytorch-and-coreml

25、如何训练一个 AI 将模型设计转换成 HTML 和 CSS

https://medium.freecodecamp.org/how-you-can-train-an-ai-to-convert-your-design-mockups-into-html-and-css-cc7afd82fed4

九、翻译任务

26、由 Facebook Code 发布将神经机器翻译推广至更大的数据集上

https://code.fb.com/ai-research/scaling-neural-machine-translation-to-bigger-data-sets-with-faster-training-and-inference/

27、Building a language translator from scratch with deep learning

https://blog.floydhub.com/language-translator/

28、Facebook Research 研究的无监督机器翻译

https://code.fb.com/ai-research/unsupervised-machine-translation-a-novel-approach-to-provide-fast-accurate-translations-for-more-languages

十、NLP

29、图解BERT, ELMo等模型（NLP如何破解迁移学习）

http://jalammar.github.io/illustrated-bert/

30、The Annotated Transformer — Harvard NLP

http://nlp.seas.harvard.edu/2018/04/03/attention.html

31、NLP is fun

https://medium.com/@ageitgey/natural-language-processing-is-fun-9a0bff37854e?utm_source=mybridge&utm_medium=blog&utm_campaign=read_more

十一、神经网络

32、如何用 Python 从头构建一个神经网络

https://towardsdatascience.com/how-to-build-your-own-neural-network-from-scratch-in-python-68998a08e4f6

33、用 Numpy 实现一个神经网络

https://towardsdatascience.com/lets-code-a-neural-network-in-plain-numpy-ae7e74410795

十二、CNN

34、Differentiable Image Parameterizations

https://distill.pub/2018/differentiable-parameterizations

35、Feature-wise 转换

https://distill.pub/2018/feature-wise-transformations/

36、Keras 与 CNN

https://www.pyimagesearch.com/2018/04/16/keras-and-convolutional-neural-networks-cnns

37、The Building Blocks of Interpretability

https://distill.pub/2018/building-blocks/

38、Facebook 公开的 Rosetta 系统，识别图像或视频中的文字

https://code.fb.com/ai-research/rosetta-understanding-text-in-images-and-videos-with-machine-learning/

39、Uber 发表的一篇文章，关于 CNN 和 CoordConv Solution 一个有意思的缺陷

https://eng.uber.com/coordconv

十三、RNN

40、Google Duplex

https://ai.googleblog.com/2018/05/duplex-ai-system-for-natural-conversation.html

41、World Models

https://worldmodels.github.io/

十四、强化学习

42、Lessons Learned Reproducing a Deep Reinforcement Learning Paper

http://amid.fish/reproducing-deep-rl

43、Berkeley发布的 Dexterous Manipulation with Reinforcement Learning

https://bair.berkeley.edu/blog/2018/08/31/dexterous-manip/

44、强化学习还不能发挥作用

https://www.alexirpan.com/2018/02/14/rl-hard.html

十五、TensorFlow

45、Triplet Loss and Online Triplet Mining in TensorFlow

https://omoindrot.github.io/triplet-loss

46、TensorFlow 答疑解惑

http://jacobbuckman.com/post/tensorflow-the-confusing-parts-1/

47、Tensorflow-Project-Template

https://github.com/Mrgemy95/Tensorflow-Project-Template

48、用 TF.js 在浏览器中实现实时人体姿态估计

https://medium.com/tensorflow/real-time-human-pose-estimation-in-the-browser-with-tensorflow-js-7dd0bc881cd5

十六、学习指南

49、Rules of Machine Learning: | ML Universal Guides | Google Developers

https://developers.google.com/machine-learning/guides/rules-of-ml

50、Model-based machine learning

http://mbmlbook.com/toc.html

想看、学习哪些 AI内容，欢迎给我们留言哦~

（本文为AI科技大本营整理文章，转载请微信联系 1092722531）

群招募

扫码添加小助手微信，回复：公司+研究方向（学校+研究方向），邀你加入技术交流群。技术群审核较严，敬请谅解。

推荐阅读：

• 投稿近2000，NAACL 2019接收率仅为22.6%|附录取论文名单

• 如何从零开始用PyTorch实现Chatbot？（附完整代码）

• 成长路线图：如何成为一名Python开发者？

• 春招已近，这份面试指南请收下

• 20万赚200万,48岁创业者是这样吊打小鲜肉的！

• 一部刷爆朋友圈的5G短片，看完才知道5G多暖多重要！

• 他修过车、杀过鱼，最终进入阿里巴巴打造9个本地版支付宝！

• 光凭 5G 根本无法解决宽带问题！

• 为啥程序员下班后只关显示器从不关电脑？

                         

❤点击“阅读原文”，查看历史精彩文章。