Источник последних достоверных статей, видео и проектов по машинному обучению для ученых и инженеров.

Рекомендовано на этой неделе

Статьи

  1. 9 статей по глубокому обучению, о которых вам нужно знать
  2. Использование глубокого обучения для восстановления звука высокого разрешения
  3. Разберитесь в коде PyTorch за 10 минут

Статьи

  1. Внимание - это все, что вам нужно »от Google Folk получил 41,0 балла по новейшей модели BLEU для одной модели.
  2. FreezeOut: ускорение обучения за счет постепенного замораживания слоев дает 20% ускорение без потери точности для ResNet, 20% ускорение с 3% потерей точности для DenseNets.
  3. YellowFin и искусство настройки импульса - представляет автоматический тюнер как для импульса, так и для скорости обучения в SGD. Сходится за меньшее количество итераций, чем у Адама, на больших моделях ResNet и LSTM, с ускорением до 2,8 раз в синхронных настройках и 2,7 раза в асинхронных настройках.
  4. Шумные сети для исследования - ребята из DeepMind представили NoisyNet: общий метод исследования RL, который обеспечивает сверхчеловеческую производительность в широком спектре игр Atari.
  5. Вариационные автоэнкодеры с нарушением правил - опубликовано в виде доклада на конференции ICLR 2017.

Видео

  1. « Обработка естественного языка с глубоким обучением » Стэнфордские лекции (зима 2017 г.). Руководят Крисом Мэннингом и Ричардом Сохером.
  2. Генеративные состязательные сети для начинающих практическое руководство, сопровождаемое статьей и блогом.
  3. Видео лекций по курсу Глубокое обучение с подкреплением от Калифорнийского университета в Беркли
  4. AI DeepMind изучает сверхчеловеческое реляционное мышление - двухминутный обзор статьи.

Проекты

  1. Tensor2Tensor - система для обучения моделей глубокого обучения в TensorFlow от команды Google Brain. Включает библиотеку современных наборов данных и моделей.
  2. K eras-vis - инструментарий нейросетевой визуализации для keras.
  3. BayesSearchCV - блокнот, демонстрирующий новый байесовский поиск гиперпараметров в scikit-optimize.

Спасибо за внимание! Если вы сочтете контент ценным, вы найдете больше в нашем Twitter @ ML_Review.

Сообщите нам, если вы думаете, что мы забыли что-то интересное или какие-либо идеи, как мы можем быть для вас более полезными.

Увидимся на следующей неделе!