资源 | 12月机器学习TOP 10文章，错过的快补课

翻译 | AI科技大本营

编辑 | Donna

Medium上的机器学习深度爱好者必关注的账号Mybridge照例对11月发表的学术论文进行了排名，整理出了10篇必读论文。营长已将论文资源整理好，建议收藏深读。

1. Alpha Zero：用强化学习算法对中国象棋和国际象棋进行自我修炼（本论文作者包括DeepMind创始人Demis Hassabis）

论文地址：https://arxiv.org/pdf/1712.01815.pdf

2. 高分辨率图像合成和有条件的GANs的语义处理（该论文由UC Berkeley的Ming-Yu Liu以及NVIDIA Research撰写）

论文地址：https://arxiv.org/abs/1711.11585v1

3. 胶囊网络（Capsule Networks）教程——Hinton大神力荐（视频资源来源Aurélien Géron）

视频：https://www.youtube.com/watch?v=pPN8d0E3900

4. Netflix艺术作品的个性化推荐（文章来源于Netflix Technology 博客，中文版《你看到哪版电影海报，由算法决定：揭秘Netflix个性化推荐系统》）

原文：https://medium.com/netflix-techblog/artwork-personalization-c589f074ad76

用交叉存取使Netflix算法进行个性化革新（文章来源于Netflix Technology 博客）

原文：https://medium.com/netflix-techblog/interleaving-in-online-experiments-at-netflix-a04ee392ec55

5. 计算机视觉的这一年（中文版《计算机视觉这一年：这是最全的一份CV技术报告》）

The M Tank 编辑了一份报告《A Year in Computer Vision》，记录了 2016 至 2017 年计算机视觉领域的研究成果，对开发者和研究人员来说是不可多得的一份详细材料。

原文：http://www.themtank.org/a-year-in-computer-vision

6. 用CTC进行序列建模

一个连接时态分类（CTC：Connectionist Temporal Classification）的视觉化指南，用于训练深度神经网络在语音识别、手写识别和其他序列问题中的算法。

原文：https://distill.pub/2017/ctc/

7. 用深度学习改善姑息治疗（中文版请参阅《吴恩达团队最新成果：用深度学习来改善临终关怀服务》）

本文主要从两个角度探讨这个问题。首先，医生不推荐病人接受姑息治疗的原因有很多，例如：对病情的预估过度乐观、时间压力或治疗惯性。这可能会导致病人在临终前无法按照自己的意愿生活，反而接受过度的侵入式治疗。其次，姑息治疗专业人员短缺严重，这使得通过人工审查病例的方法对候选病人进行筛选既昂贵又耗时。

原文：https://arxiv.org/abs/1711.06402

8. 稳定化策略的进化（文章来源于Google Brain团队hard maru的分享）

在《进化策略的可视化指南 - http://blog.otoro.net/2017/10/29/visual-evolution-strategies/》文章中，作者介绍了一些进化策略（ES）算法，可以优化函数的参数，而不需要明确计算梯度。 这些算法可以应用于强化学习（RL）问题，以帮助找到适合神经网络代理的一组模型参数。 在本文中，作者探讨将ES应用于这些RL问题中的一些问题，并强调我们可以使用的方法来找到更稳定和更健壮的策略。

原文：http://blog.otoro.net/2017/11/12/evolving-stable-strategies/

9. 用Python，TensorFlow和Keras进行深度学习（作者Sandipan Dey）

文中所提到的几个问题来源于Introduction to Deep Learning (by Higher School of Economics) 和 Neural Networks and Deep Learning (by Prof Andrew Ng, deeplearning.ai)两门课程的作业部分。如果你也有类似的问题，不放看看文中给出的答案。

原文：https://sandipanweb.wordpress.com/2017/11/25/some-deep-learning-with-python-tensorflow-and-keras/

10. 神经网络介绍（中文版《干货！这里有一份神经网络入门指导，请收下！》）

本文是数据科学家Ben Gorman撰写的神经网络指导。这份指导包含了他具体的学习思路，包括所遇到的难点以及多种详细的解决方法。文章不短，但是值得深读，建议收藏！

原文：http://blog.kaggle.com/2017/11/27/introduction-to-neural-networks/

本文翻译自Medium