呜啦啦啦啦啦大家好呀，又到了本周的AI大事件时间了。过去的一周中AI圈都发生了什么？大佬们互撕了哪些问题？研究者们发布了哪些值得一读的论文？又有哪些开源的代码和数据库可以使用了？文摘菌带你盘点过去一周AI大事件！
新闻
Google和Facebook在法国布局实验室
来源：
TECHCRUNCH.COM
链接：
https://techcrunch.com/2018/01/22/google-is-launching-an-ai-research-center-in-france-and-expanding-its-office/?utm_campaign=Revue%20newsletter&utm_medium=Newsletter&utm_source=The%20Wild%20Week%20in%20AI
Google决定在法国建立一个新的人工智能研究实验室，同时Facebook宣布对他们在法国的AI实验室FAIR-Paris投资1000万欧元。法国能在人工智能领域追上加拿大的步伐吗？
Facebook的Yann LeCun转入研究型职位
来源：
WWW.THEVERGE.COM
链接：
https://www.theverge.com/2018/1/23/16924460/facebook-ai-chief-yann-lecun-stepping-down-jerome-pesenti?utm_campaign=Revue%20newsletter&utm_medium=Newsletter&utm_source=The%20Wild%20Week%20in%20AI
Yann LeCun此前一直担任Facebook内部人工智能研究部门的负责人，而在最近的职位转换中，他将成为Facebook的首席人工智能科学家，此后将更加专注于人工智能的研究。来自英国AI创业公司Benevolent的JérômePesenti将接替他的职位，JérômePesenti之前还曾担任过IBM大数据集团的首席技术官。
MIT在“神经形态计算”上更进一步
来源：
NEWS.MIT.EDU
链接：
http://news.mit.edu/2018/engineers-design-artificial-synapse-brain-on-a-chip-hardware-0122?utm_campaign=Revue%20newsletter&utm_medium=Newsletter&utm_source=The%20Wild%20Week%20in%20AI
在“神经形态计算”这一新兴领域的研究人员试图设计出像人脑一样工作的计算机芯片，而不是像现在的数字芯片那样进行基于二进制的开/关信号的计算。
TensorFlow 1.5发布
来源：
DEVELOPERS.GOOGLEBLOG.COM
链接：
https://developers.googleblog.com/2018/01/announcing-tensorflow-15.html?utm_campaign=Revue%20newsletter&utm_medium=Newsletter&utm_source=The%20Wild%20Week%20in%20AI
最值得注意的是，TensorFlow的“Eager Execution”现在可以预览。这允许您立即执行TensorFlow中的操作，因为它们是从Python调用的。
文章&教程
更快的R-CNN：降低物体检测的门槛
来源：
TRYOLABS.COM
链接：
https://tryolabs.com/blog/2018/01/18/faster-r-cnn-down-the-rabbit-hole-of-modern-object-detection/?utm_campaign=Revue%20newsletter&utm_medium=Newsletter&utm_source=The%20Wild%20Week%20in%20AI
本篇文章将带你进行更快的R-CNN的深入演练，从高层次的概述开始，并且会细致地探讨每个组件的细节。
如何使用Python和Keras构建自己的AlphaZero AI
来源：
MEDIUM.COM
链接：
https://medium.com/applied-data-science/how-to-build-your-own-alphazero-ai-using-python-and-keras-7f664945c188?utm_campaign=Revue%20newsletter&utm_medium=Newsletter&utm_source=The%20Wild%20Week%20in%20AI
这个代码库包含一个AlphaZero方法的复本，内置Python和Keras。这个教程能够帮助你深入了解AlphaZero的工作原理，并能够调整代码进行新游戏。
使用ROC曲线的哲学论证
来源：
LUKEOAKDENRAYNER.WORDPRESS.COM
链接：
https://lukeoakdenrayner.wordpress.com/2018/01/07/the-philosophical-argument-for-using-roc-curves/?utm_campaign=Revue%20newsletter&utm_medium=Newsletter&utm_source=The%20Wild%20Week%20in%20AI
这篇文章重点讨论了医学领域的AI，但不仅限于医学领域，它主要回答了什么是性能测试，以及一个好的性能指标的功能是什么。
代码，项目&数据
FAIR的物体检测研究平台
来源：
GITHUB.COM
链接：
https://github.com/facebookresearch/Detectron?utm_campaign=Revue%20newsletter&utm_medium=Newsletter&utm_source=The%20Wild%20Week%20in%20AI
Detectron是Facebook AI Research的软件系统，实现了包括Mask R-CNN在内的最先进的物体检测算法。软件系统由Python编写，并且由Caffe2深度学习框架提供支持。
来自DeepMind的Psychlab
来源：
DEEPMIND.COM
链接：
https://deepmind.com/blog/open-sourcing-psychlab/?utm_campaign=Revue%20newsletter&utm_medium=Newsletter&utm_source=The%20Wild%20Week%20in%20AI
Psychlab允许你应用认知心理学等领域的方法来研究受控环境中代理的行为。
信任域策略优化的PyTorch实现
来源：
GITHUB.COM
链接：
https://github.com/ikostrikov/pytorch-trpo?utm_campaign=Revue%20newsletter&utm_medium=Newsletter&utm_source=The%20Wild%20Week%20in%20AI
这篇文章介绍了信任域策略优化（TRPO）的PyTorch实现。与PyTorch中另一个TRPO实现相比，此实现使用了精确的Hessian向量乘积方法而不是有限差分近似。
论文
情感分析的深度学习：一个调查
来源：
ARXIV.ORG
链接：
https://arxiv.org/abs/1801.07883?utm_campaign=Revue%20newsletter&utm_medium=Newsletter&utm_source=The%20Wild%20Week%20in%20AI
随着深度学习在许多其他应用领域的成功，近年来深度学习在情感分析中也得到了广泛的应用。 本文首先对深度学习进行了概述，然后对其在情感分析中的应用进行了全面的调查。
Psychlab：深度增强学习代理的心理学实验室
来源：
ARXIV.ORG
链接：
https://arxiv.org/abs/1801.08116?utm_campaign=Revue%20newsletter&utm_medium=Newsletter&utm_source=The%20Wild%20Week%20in%20AI
Psychlab是DeepMind Lab第一人称3D游戏的心理学模拟实验室。Psychlab支持经典的心理学实验，并且能够使人类和智能代理一起工作。另外，它还有一个简单、灵活的API，使用户可以轻松地创建自己的任务。
通过对手的学习认知进行学习
来源：
ARXIV.ORG
链接：
https://arxiv.org/abs/1701.08230?utm_campaign=Revue%20newsletter&utm_medium=Newsletter&utm_source=The%20Wild%20Week%20in%20AI
对手学习认知（LOLA）是预测其他代理人学习的一种方法。 LOLA学习规则使用一个额外的术语说明一个代理的策略对其他代理的预期参数的影响。初步的研究结果表明，两个LOLA代理的博弈出现了针锋相对的情况，因此在迭代囚徒困境（IPD）中进行了合作，而独立学习则没有出现。