【CSDN AI 周刊】第11期 | 周志华提出深度森林 引发持续热议
资讯
2017奥斯卡大奖揭晓，群集智能AI成功预测12项
2017年2月27日，第89界奥斯卡诸项大奖名单新鲜出炉，《月光男孩》战胜呼声甚高的《爱乐之城》拿下最佳影片。大奖公布之前，著名的群体智能预测网站的Swarm AI再出手预测，今年它虽然保持着75%的胜率，但是却预测错了两项大奖。
Swarm AI 的平台由 Unanimous 公司开发。Unanimous A.I 的研究员集合了近50名电影爱好者群集，来预测2月27日奥斯卡大奖的归属。
用户注册后可在Unanimous A.I 参与预测，在做出决定时，每位用户都有一个可以拖向他们的选择的虚拟圆盘。每个人都可以看见其他人的决定，也可以随时改变自己决定。这个集群中的每个个体都可以互相影响。
百度无人车两年幻梦：10亿美元拆分未成，大神携手离职创业
本周三，百度通过内部邮件宣布，对现有业务及资源进行整合，成立智能驾驶事业群组（IDG），由百度集团总裁和首席运营官陆奇兼任总经理。同时百度高级副总裁、原自动驾驶事业部总经理王劲，“内部休息调整”。
王劲治下，百度曾把车子开上五环。也正是那个时候，百度顺势成立自动驾驶事业部，王劲担任事业部总经理。王劲当时喊出的口号是“三年商用，五年量产”。
气势正盛的王劲，去年曾试图把百度无人车业务拆分出来独立运营，并且在一定范围内开始与投资人展开接洽。据一位业内资深人士对量子位透露，当时王劲给这个业务的估值为10亿美元。不过最终因为种种原因未有结果。
王劲为什么离开百度？原因可能是多种多样的，也许是一个复杂的原因，导致了今天的局面。也许只是一个简单的不能再简单的原因。无论如何，三年未到，人去楼空。下面的接力棒，已经交到了陆奇的手中。
周志华最新论文 | 深度森林：探索深度神经网络以外的方法
西瓜书《机器学习》作者、南京大学周志华日前发表论文，提出了一种基于树的方法，挑战深度学习。在设置可类比的情况下，新方法 gcForest 取得了和深度神经网络相当甚至更好的结果，而且更容易训练，小数据也能运行，更重要的是相比神经网络，基于树的方法不会存在那么困难的理论分析问题。周志华和冯霁在论文里写道，“我们认为，要解决复杂的问题，学习模型也需要往深了去。然而，当前的深度模型全部都是神经网络。这篇论文展示了如何构建深度树（deep forest），为在许多任务中使用深度神经网络之外的方法打开了一扇门”。
论文一经发出，在知乎上也掀起了广泛的讨论，点击这里查看。
波士顿动力发布其最新的轮式暴跳机器人
波士顿动力一直以惊艳的足式机器人闻名。其双足机器人产品Atlas甚至成为DARPA机器人挑战赛的标准平台之一。日前，波士顿动力的这款名为Handle的机器人，把足+轮式的能力直接拔升到了一个闻所未闻的高度。
充满电后，Handle 可以一次行驶约15英里。而且它同时配备有电动和液压驱动装置。Handle 只有10个驱动关节。这使得假如 Handle，或它的其他版本需要大规模生产的话，设计上和生产上都能更加简单。
本文剖析了Handle在设计生产方面的四大难点：
- 柔性控制
- 大扰动下的非线性系统控制
- 混合控制（Hybrid control）
- 硬件本身
百度最新“Deep Voice”语音技术 比WaveNet提速 400 倍
今日百度研究院展示了名为Deep Voice的研究成果，这是一套完全由深度神经网络构建的生产质量级文语转换系统。相比之前WaveNet推论与实施，该系统的加速能力高达400倍。
百度在在论文中解析了这个完全由深度神经网络组成的文本到语音的系统：Deep Voice，该系统包括5个部分：
- 用于定位音素边界的分割模型、
- 字素到音素（grapheme-tophoneme）转换模型
- 音素音长预测模型
- 基础的频次预测模型
- 音频合成模型。
2016 中国被引用最高学者 in 人工智能，中科院领衔
随着中国在国际科研领域的影响力和地位不断提高，表彰引领学术进步的杰出学者显得尤为重要。日前，爱思唯尔发布了 2016 年中国高被引学者（Most Cited Chinese Researchers）榜单。其中，计算机科学领域的入选学者数量为 152 名，在所有学科中名列第一。
据统计，与人工智能相关的计算机科学（152人）、电气和电子工程（41人）、控制和系统工程（40人），以及神经科学（26人）四大领域。入选学者共计 259 人。其中，中科院入选学者 27 名，以较大优势排在第一，其后是清华 18 名，华中科技大学 14 名。
在产业机构中，“微软”字样出现最多。就微软亚洲研究院而言，入选了以前任常务副院长芮勇为代表的 3 人，其他两位分别是李世鹏和姜大昕。此外，金山软件前任 CEO 张宏江也榜上有名，而张宏江此前曾任微软亚太研发集团 CTO、微软亚洲工程院院长。
百度深度学习国家工程实验室揭牌
深度学习技术与应用国家工程实验室揭牌仪式3月2日上午在百度大厦举行。国家发展和改革委员会高技术司副司长孙伟等政府领导出席。百度创始人、董事长李彦宏发表演讲。
他说：“明天又要召开全国政协会议了，在两年前的政协会议上，我有一个全体大会的发言，就是希望国家建立‘中国大脑’。当时用了‘中国大脑’这么一个词，实际上就是希望以国家的力量去建立一个全世界最大规模的深度学习的计算平台，用最多的服务器、最优秀的算法，给中国的开发者、创业者、学者提供一个很好的研究深度学习各个方面应用的硬件环境和软件环境，或者是基础设施。这件事情时隔两年，虽然‘中国大脑’这个词并没有被官方所认可，但是现在国家实验室由百度来牵头，我觉得我已经很满足了。”
技术
学会“投机取巧”——Redis之父九条忠告，如何成为“一打十”的程序员
本文为Redis之父Salvatore所写，CSDN编译，具体讲述了其心目中成就一名“野兽级”程序员的可贵品质。包括：
- 纯编程能力：不写一行多余代码
- 经验：踩在前人的肩膀上
- 专注：高效利用时间
- 不要吝惜时间设计：防止推倒重来
- 简洁性：避免细节错误才是程序简洁的根本
- 完美主义：高效产出的最大阻碍
- 知识：某些关键问题还是要依靠理论解决
- 底层：熟悉计算机的脾性
- Debug能力：无需多言
基于移动设备的机器学习，本地与云端孰优孰劣？
如果您觉得，是时候给自己的手机应用添加一些热门的机器学习或深度学习算法…..这是个好想法！但您会怎么选择？
绝大多数机器学习实现方法的步骤不外乎如下三点：
- 采集数据
- 利用采集的数据来训练一个模型
- 使用该模型进行预测
需要什么样数据、设计什么样的模型、以及该如何训练这个模型，完全取决于您想构建什么样的应用程序。但如何把机器学习系统融合到您的产品中，还需做出一些抉择，这也是本篇博客存在的原因。
需要做出决定的事情主要是：
- 想训练自己的模型吗？
- 在自己的电脑上还是在云中训练？
- 在云中进行推断还是在本地设备上进行推断（离线状态下）？
换言之，应该使用云服务进行深度学习，还是应该自己一手操办？让我们一探究竟！
LSTM的反向传播过程推导
近些年来，随着深度学习的崛起，RNN模型也变得非常热门。如果把RNN模型按照时间轴展开，它也类似其它的深度神经网络模型结构。因此，我们可以参照已有的方法训练RNN模型。
现在最流行的一种RNN模型是LSTM（长短期记忆）网络模型。这里有一些关于LSTM的背景知识介绍文章，Karpathy的博客和Chris Olah的博客。
尽管我们可以借助Tensorflow、Torch、Theano等深度学习库轻松地训练模型，而不再需要推导反向传播的过程，但是逐步推导LSTM模型的梯度并用反向传播算法来实现，对我们深刻地理解模型是大有裨益的。
因此，我们首先按照LSTM的公式实现正向传播计算过程，然后推导网络模型的梯度计算过程，最后用numpy来实现模型的求解。
【AI创新者】系列专访
AI创新者是CSDN人工智能频道精心打造的专栏，采写AI领域杰出学者、资深专家、技术缔造者、顶尖团队。寻求报道请邮件[email protected]，或扫描文末二维码加记者微信。
云知声梁家恩：当 AI 遇见 IoT——云知声的 AI 之路
早在2012年创立之初，梁家恩和创始团队便已设想和规划了团队的人工智能布局，这也是“云知声”三个字的来源：云——指底层的大数据机器学习及服务平台，是数据和智能的核心载体；知——指语言、知识与思维等认知能力，是人工智能的核心；声——指云知声目前广为业界熟知的物联网语音交互，对云知声而言，“声”就是智能终端的切入点和语音大数据的入口。
人工智能与物联网的结合，绕不开两个基本问题：一是真实场景下的用户体验，解放双手和双眼；二是达到工业级规模化推广的完整解决方案。在本次采访中，云知声创始人、CTO就语音落地IoT的三个难点一一解读：远讲降噪、离线优化、云端优化。
TensorFlow贡献者黄文坚：解读对比13个深度学习框架后的选择
为了帮助机器学习、分布式计算领域的学生、从业者，特别是正在学习深度学习技术，立志从事AI相关行业的朋友快速上手TensorFlow，PPmoney黄文坚和Uptake唐源共同撰写了《TensorFlow实战》一书，希望可以帮助读者快速入门TensorFlow和深度学习，在工业界或者研究中快速地将想法落地为可实践的模型。日前，黄文坚接受CSDN记者专访，介绍了他在深度学习领域的实践经验和成长心得，以及完成《TensorFlow实战》一书背后的原因和故事。
TensorFlow 贡献者唐源：掌握 Google 深度学习框架的正确姿势
唐源，《TensorFlow实战》联合作者，美国 Uptake 数据科学家。唐源带领团队建立用于多个物联网领域的数据科学引擎进行条件和健康监控，同时建立公司的预测模型引擎，现已被用于航空、能源等大型机械领域。
在采访中，唐源讲述了其如何走上深度学习开源框架贡献者之路，衡量了一个成功的数据团队所需的深度学习功底。更讲述了作为TensorFlow贡献者，对TensorFlow开发者大会的观感及侧重点。
Twitter施闻哲：图像质量的评判标准是超分辨率的下一个关键
图像、视频及直播占据了Twitter信息流很大的一部分，因此，在有限的带宽下提高实时视频传输的质量对Twitter的用户体验尤为重要。2016年，Twitter以收购英国初创公司Magic Pony的方式扩大其AI阵营。Magic Pony采用神经网络来替换传统的人工设计的压缩算法，并在图像碎片补全、视频自动生成等方面均有科研成果。
施闻哲，Magic Pony at Twitter计算机视觉方向的研究负责人，于2012年取得英国帝国理工大学博士学位，师从Daniel Rueckert 教授，从事医学超分辨率相关研究。后加入Magic Pony，一年后Magic Pony被Twitter收购。其主要研究方向为：超分辨率、图像优化、图像补全、换脸等。
数据集
酷酷的数据集大集合
Cooldataset集合了近百个有趣的数据集，包括政务、科学、娱乐、机器学习等门类。你可以在里面找到例如：芝加哥员工收入数据集、美国犯罪案例集、NASA火流星报告集、TED演讲数据集等五花八门的数据集。
食谱数据集
该数据集集合了超过两万份已打分食谱，创建者的意图在于研究菜肴中的不同元素与人们喜爱程度的关系。稍后创建者还将更新数据集，在其中加入食谱创建时间标注以及每份食谱的原材料信息。
计算机视觉常用库/工具大盘点
本文盘点了包括图像处理、OCR、机器学习、深度学习、图像分割、MVG、视觉测程法、3D场景重建、视频跟踪、视频稳像这是个门类的常用工具及数据集。
线上课程
使用TensorFlow创建可自动玩游戏的DQN模型
时间： 2017.03.16 20:00 - 21:00
主讲人：黄文坚
《TensorFlow实战》作者，本书获得Google TensorFlow工程研发总监Rajat、360首席科学家颜水成的推荐。PPmoney大数据算法总监，负责集团的风控、理财、互联网证券等业务的数据挖掘工作。Google TensorFlow Contributor。前明略数据技术合伙人。曾就职于阿里巴巴搜索引擎算法团队，负责天猫个性化搜索系统。曾参加阿里巴巴大数据推荐算法大赛，于7000多只队伍中获得前10名。本科、研究生就读于香港科技大学，在顶级会议和期刊SIGMOBILE MobiCom、IEEE Transactions on Image Processing发表论文。
主题说明：
深度强化学习（DQN）是人工智能领域最热门的方向之一，吸引众多AI领域的优秀科学家去发掘，其通用性在各领域备推崇，本次课程集中讲解DQN及其TensorFlow的实现。
适合对象：
对深度学习、强化学习、TensorFlow其中之一感兴趣的人士。
【CSDN AI周刊】点评本周热辣新闻、新鲜案例、技术博客。订阅请点击这里。
若您有希望与开发者分享的AI实施案例、资料整理、学习笔记、趣闻妙谈，请发送邮件至[email protected]，期待您的声音。
