最具價值的50個機器學習應用[2017年]
作者:Mybridge翻譯:BigQuant
我們比較了2017年全年近2萬篇關於機器學習應用的文章,並且從中挑選出50篇最有價值的文章分享給大家。
「在矽谷,招聘一名機器學習工程師或數據科學家正在變得像招聘一名職業運動員一樣。 這就是對他的要求」——紐約時報
機器學習已經成為當今就業中要求最高的技能之一,美國的平均工資達到134,472美元(來源:Indeed)。
我們相信向一些在該領域具有實踐經驗的數據科學家學習請教是推動你事業發展的一個很好的方法。 下面這個目錄可以幫助你學習起來更加輕鬆,因為它收集了2017年發表的一些最有價值的文章,在文章中,那些經驗豐富的數據科學家分享了他們在構建和發布機器學習應用程序時總結出的一些經驗教訓。
作為一個面向專業人士提供文章排名服務的公眾號,我們非常重視文章的「質量」,確保您閱讀的每篇文章都非常出色。本文的目錄競爭力十足,它是從20,000篇文章中選出的僅僅50篇文章(0.25%佔比)。Mybridge AI是在不斷發展的,它根據分享的總數量、閱讀時間以及我們自己的機器學習演算法對文章進行排名。
這個目錄有15個關鍵的主題,如下所示。
(您可點擊下方的排序數字查看原文,這些數字並不代表它們在本文中的排名)
<圖像處理>
No.1
高解析度圖像合成並條用件GANs進行語義處理。由NVIDIA AI和UC Berkeley提供。
No.2
用深度學習創造具有專業水平的照片。由谷歌研究部的Hui Fang提供
No.3
使用OpenCV(python)的高動態範圍(HDR)成像。由Satya Mallick提供
<風格潛移>
No.4
通過深層圖像類比進行視覺屬性轉化(像素級別)。
No.5
深度照片風格轉化:一種轉換攝影風格的深度學習方法,能夠在忠實地傳輸參考風格的同時處理大量不同的圖像內容。
No.6
Deep Image Prior:深度卷積網路先天就理解自然圖像,使用隨機初始化神經網路實現圖片超解析度,修復,去噪。 由Dmitry Ulyanov提供。
<圖像分類>
No.7
特徵可視化:神經網路如何增強對圖像的理解。由谷歌大腦的 Ludwig Schubert 與Chris Olah提供。
No.8
一個用神經網路進行圖像分類的絕對初學者指南 [Github上4481?],由火狐瀏覽器的David Humphrey提供。
No.9
用深度學習移除背景。由Gidi Shperber提供。
<面部識別>
No.10
利用卷積神經網路通過一張照片自動生成3D人臉。由Aaron Jackson提供。
No.11
通過OpenCV, Python,和dlib進行眨眼檢測。由Adrian Rosebrock提供。
No.12
用Python進行人臉活動檢測。由Kirk Kaiser提供。
<視頻穩像>
No.13
基於 Pixel 2 and Pixel 2 XL的混合防抖技術。由谷歌研究部的Chia-Kai Liang提供。
<目標檢測>
No.14
如何用 TensorFlow 和Keras 打造 Not Hotdog 的移動應用
No.15
目標檢測:深度學習時代的目標檢測技術。由Tryolabs提供
No.16
如何用TensorFlow的目標檢測API訓練自己的目標檢測模型。由Dat Tran提供。
No.17
用深度學習和OpenCV進行目標對象的實時檢測。
<無人駕駛汽車>
No.18
俠盜飛車Ⅴ用python實現自動駕駛:介紹[第一部分]。由Sentdex提供。
No.19
用深度學習識別交通信號燈:我是如何通過學習10周深度學習並贏得5000美元的獎金的。由David Brailovsky和freeCodeCamp提供
<AI推薦>
No.20
Spotify的每周的發現:機器學習是如對你進行個性化音樂推薦的。由Sophia Ciocca和Hackernoon提供。
No.21
Netflix的藝術作品個性化推薦。由Netflix技術博客提供。
<AI遊戲>
No.22
MariFlow——基於循環神經網路自動駕駛馬里奧卡丁車。由SethBling提供。
No.23
OpenAI Baselines:DQN。強化學習演算法的高質量復現。由OpenAI提供。
No.24
Dota 2中的強化學習[第二部分]。由OpenAI提供。
No.25
在DOOM遊戲中創建一個AI機器人。
No.26
用於角色控制的相位函數神經網路。由Daniel Holden提供。
No.27
遊戲模仿:將深度監督卷積網路用於快節奏AI視頻遊戲。斯坦福大學提供。
No.28
介紹:Unity推出Machine Learning Agents。由Unity的Arthur Juliani提供。
<AI象棋>
No.29
用通用強化學習演算法自我對弈,掌握國際象棋和將棋。由Deepmind提供。
No.30
AlphaGo Zero:從零開始學習。由DeepMind提供。
No.31
DeepMind的 AlphaGo Zero是如何工作的。由 Siraj Raval提供。
No.32
手把手叫你創建一個簡單的國際象棋AI。由Lauri Hartikka提供。
<AI醫療>
No.33
CheXNet:用深度學習進行胸部X射線檢測,可達到放射科級別的肺炎檢測水準。由Andrew Ng和斯坦福機器學習小組的其他成員提供。
No.34
你能提高肺癌檢測率嗎?Data Science Bowl 2017年第二名方案。
No.35
利用深度學習改善姑息治療。由Andrew Ng和斯坦福機器學習小組的其他成員提供。
No.36
用深度學習進行心臟疾病診斷。由Chuck-Hou Yee提供。
<AI語音>
No.37
Tacotron:對端到端的語音合成模型。由谷歌的數據科學家提供。
No.38
用CTC進行序列建模。由斯坦福大學的Awni Hannun博士提供。
No.39
Deep Voice:由文本實時合成人工語音。由百度矽谷人工智慧實驗室提供。
No.40
深度學慣用於Siri語音:設備上用於混合動力單元選擇合成的深度混合密度網路——Apple。
<AI音樂>
No.41
計算機自動生成巴洛克音樂!由Cary Huang提供。
No.42
用WaveNets製作自己的音樂:製作一個音樂合成器。由Jesse Engelberg提供。
<自然語言處理>
No.43
學會溝通:Agents開發他們自己的語言—OpenAI Research。
No.44
機器學習的大局觀:用神經網路和TensorFlow進行分類文本。由Déborah Mesquita提供。
No.45
一種神經機器翻譯的新方法——Facebook AI Research。
No.46
如何讓AI辨別種族歧視言論。
<預測>
No.47
使用機器學習預測房屋在Airbnb上的價值。由Robert Chang提供,數據由Aribnb提供。
No.48
Uber神經網路時序預測不確定性估計.
No.49
用機器學習讓停車更容易.
No.50
深度學習入門教程:如何輕鬆預測股票價格。
原文下載鏈接:最具價值的50個機器學習應用[2017年]
本文由BigQuant《量化研究每周精選》原創推出,版權歸BigQuant所有,轉載請註明出處。
《量化研究每周精選》每周一期,為大家提精選研報、前沿研究、熱門文章等優質內容。
查看所有 量化研究每周精選。歡迎投稿 (i@bigquant.com)。- 更多精彩文章歡迎前往 BigQuant社區 查看並參與討論:BigQuant人工智慧量化社區
- 加入 人工智慧量化投資交流群,與大牛共討人工智慧量化話題:微信搜索 bigq100,添加微信群管理員微信,附上姓名、所在機構、部門和職位,審核後管理員會邀請您入群。
- 關注 BigQuant 微信公眾號,及時獲取新鮮資訊:微信搜索 BigQuant, 獲取更多人工智慧、Machine Learning、量化投資相關文章。
推薦閱讀:
TAG:機器學習 | 深度學習DeepLearning | 人工智慧 |