AI大事件 | Geoffrey Hinton决定抛弃反向传播，预期策略梯度算法
大数据文摘作品
编译 | 宁云州
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！
了解过去一周AI爆点，一篇就够啦！
Geoffrey Hinton决定抛弃反向传播
来源：WWW.AXIOS.COM
链接：https://www.axios.com/ai-pioneer-advocates-starting-over-2485537027.html?utm_campaign=Revue%20newsletter&utm_medium=Newsletter&utm_source=The%20Wild%20Week%20in%20AI
现在几乎所有神经网络都会经过反向传播的训练。然而在最近的一次采访中，Hinton，深度学习之父却表示，他将“抛开一切重新开始”。要想在深度学习上向前推进，就必须发明全新的方法。
Facebook人工智能研究登陆蒙特利尔
来源：NEWSROOM.FB.COM
链接：https://newsroom.fb.com/news/2017/09/fair-montreal/?utm_campaign=Revue%20newsletter&utm_medium=Newsletter&utm_source=The%20Wild%20Week%20in%20AI
作为Facebook的人工智能研究的一部分（FAIR），这个新的团队将由超过100名来自门洛帕克、纽约和巴黎的科学家组成，他们将努力推进人工智能领域的研究。
蒙特利尔实验室将对AI领域进行广泛的研究，但它也将特别关注强化学习和对话系统。
Sophia Genetics筹集了3000万美元帮助医生使用人工智能和基因组数据进行诊断
来源：VENTUREBEAT.COM
链接：https://venturebeat.com/2017/09/13/sophia-genetics-raises-30-million-to-help-doctors-diagnose-using-ai-and-genomic-data-analysis/?utm_campaign=Revue%20newsletter&utm_medium=Newsletter&utm_source=The%20Wild%20Week%20in%20AI
9月13日消息，瑞士医疗数据分析公司Sophia Genetics宣布完成3000万美元D轮融资，Balderton Capital领投，Alychlo、Invoke Capital Partners、360 Capital Partners等跟投。
Sophia Genetics成立于2011年，是一家遗传信息数据分析公司，专注于通过人工智能找出患者基因突变原理，并结合专家意见提供个性化的治疗诊断方案。
学习其他代理想法的模型（OpenAI）
来源：BLOG.OPENAI.COM
链接：https://blog.openai.com/learning-to-model-other-minds/?utm_campaign=Revue%20newsletter&utm_medium=Newsletter&utm_source=The%20Wild%20Week%20in%20AI
一种算法，它解释了其他代理也在学习的事实，并在迭代囚徒困境中发现了类似于针锋相对的合作策略。
AI健身房
来源：LEARNINGAI.IO
链接：https://learningai.io/projects/2017/07/28/ai-gym-workout.html?utm_campaign=Revue%20newsletter&utm_medium=Newsletter&utm_source=The%20Wild%20Week%20in%20AI
一个易于理解的近端策略优化（ Proximal Policy Optimization）的介绍（PPO）并且能够很好的应对MuJoCo 和 RoboSchool 的环境。点击这里查看代码：https://github.com/pat-coady/trpo
使用强化学习达到最优化
来源：BAIR.BERKELEY.EDU
链接：http://bair.berkeley.edu/blog/2017/09/12/learning-to-optimize-with-rl/?utm_campaign=Revue%20newsletter&utm_medium=Newsletter&utm_source=The%20Wild%20Week%20in%20AI
机器学习的算法仍然是人工设计的。这就引出了一个自然的问题：我们可以学习这些算法吗？
使用TensorBoard API完成自定义可视化
来源：RESEARCH.GOOGLEBLOG.COM
链接：https://research.googleblog.com/2017/09/build-your-own-machine-learning.html?utm_campaign=Revue%20newsletter&utm_medium=Newsletter&utm_source=The%20Wild%20Week%20in%20AI
为了让学习者能够使用新的和有用的可视化进行创作，谷歌公布了一组API，允许开发人员添加自定义的可视化插件到TensorBoard。
膨胀残留网络（Dilated Residual Network）的实现
来源：GITHUB.COM
链接：https://github.com/fyu/drn?utm_campaign=Revue%20newsletter&utm_medium=Newsletter&utm_source=The%20Wild%20Week%20in%20AI
基于膨胀卷积的多元内容集成和膨胀残留网络的官方PyTorch实现。
对TensorFlow数据集和估计机制（Estimators）的介绍
来源：DEVELOPERS.GOOGLEBLOG.COM
链接：https://developers.googleblog.com/2017/09/introducing-tensorflow-datasets.html?utm_campaign=Revue%20newsletter&utm_medium=Newsletter&utm_source=The%20Wild%20Week%20in%20AI
TensorFlow 1.3介绍了两个重要的特点：数据集和估计机制。这篇文章显示了他们如何适应TensorFlow架构。
数据集 | 一万本最受欢迎的书：一万本书，六百万次阅读
来源：GITHUB.COM
链接：https://github.com/zygmuntz/goodbooks-10k?utm_campaign=Revue%20newsletter&utm_medium=Newsletter&utm_source=The%20Wild%20Week%20in%20AI
该数据集包含了goodreads.com上一万本最受欢迎的书，其中最受欢迎的被阅读了六百万次。
针对工程师的机器学习简介
来源：ARXIV.ORG
链接:https://arxiv.org/abs/1709.02840?utm_campaign=Revue%20newsletter&utm_medium=Newsletter&utm_source=The%20Wild%20Week%20in%20AI
一个200页的“简短”的介绍。这项工作旨在介绍机器学习中的关键概念、算法和理论框架，包括监督和无监督学习、统计学习理论、概率图形模型和近似推理。
把所有东西都嵌入进去！
来源：ARXIV.ORG
链接：https://arxiv.org/abs/1709.03856?utm_campaign=Revue%20newsletter&utm_medium=Newsletter&utm_source=The%20Wild%20Week%20in%20AI
一个通用的神经嵌入模型，可以解决各种各样的问题：标签型任务，如文本分类；排序型任务，如信息检索、网络搜索、基于协同过滤和基于内容的推荐；多关系图的嵌入，并能够实现单词、句子或文档级的嵌入。在每种情况下，模型都是通过嵌入由离散特征组成的实体来实现的，并将对它们进行比较——学习依赖于任务的相似性。
预期策略梯度算法
来源：ARXIV.ORG
链接：https://arxiv.org/abs/1706.05374?utm_campaign=Revue%20newsletter&utm_medium=Newsletter&utm_source=The%20Wild%20Week%20in%20AI
预期策略梯度算法（EPG：Expected policy gradients）使强化学习中的随机策略梯度算法（SPG： stochastic policy gradients ）和确定性策略梯度算法（DPG： deterministic policy gradients ）达成了一致。这一算法的灵感来自于预期的SARSA算法，EPG在估计梯度的时候整合了整个操作，而不是仅仅依赖于采样轨迹。
回复“志愿者”加入我们
点击图片阅读
AI大事件 | IBM和MIT成立联合人工智能研究实验室，等
