流形学习，自 2000 年在著名的科学杂志《Science》被首次提出以来，已成为信息科学领域的研究热点。可能很多人会问，流形学习有什么用呢？首先流形学习可以作为一种数据降维的方式，第二，流形能够刻画数据的本质。其主要代表方法有等距映射、局部线性嵌入等。那

强化学习通过使用奖励函数对智能体的策略进行优化，深度强化学习则将深度神经网络应用于强化学习算法。近日，为了让工业界能更好地使用前沿强化学习算法，Tensorlayer 强化学习团队发布了专门面向工业界的整套强化学习基线算法库---RLzoo。RLzoo 项

机器之心编辑,参与：思源、王淑婷。这个月谷歌提出的 BERT 受到了很多关注，该研究凭借预训练模型刷新了 11 项 NLP 任务的当前最优性能记录。论文作者表示这个月月末会放出代码与预训练模型，但目前还没有发布。因此很多研究者尝试使用中等数据集降低计算力，

选自arXiv，作者：Aran Nayebi等，机器之心编译，参与：李诗萌、路。与当前的机器视觉行为执行仅涉及前馈过程不同，人类及灵长类动物的视觉行为执行包含前馈、反馈和时间预测等多种过程的整合。但灵长类动物的视觉系统还有不能用前馈 CNN 建模的其他解剖

2016 年，Aaron Courville 和 Yoshua Bengio 组织的 MILA 深度学习夏季课程获得了极大的关注。今年，新一届的 MILA 深度学习与强化学习夏季课程开放了 PPT 和教学视频。机器之心摘选了 Bengio、GoodFell

超参数是我们在将学习算法应用于机器学习数据集之前需要设置的变量。最佳数值取决于每个任务和每个机器学习数据集。今天常用的技术是设置minibatch size。随机训练是当minibatch size= 1时，批量训练是当minibatch size=训练集

什么是语义分割？许多人也熟悉对象检测，我们试图通过绘制围绕对象的边界框，然后对框中的内容进行分类，从而定位和分类图像中的多个对象。在过去的几年里，这完全是通过深度学习来完成的。模型的左侧表示训练用于图像分类的任何特征提取网络。一旦提取了这些特征，它们就会以

人工智能算法可以识别精妙的信息，这使得它们能够区分照片中的人，或像医生一样识别屏幕中的医疗图像。但这样的能力通常依赖于数万条数据的训练。这意味着人工智能不能在缺乏数据的任务中展示自己的能力，如新药开发领域。斯坦福大学化学教授 Vijay Pande 和他的

互联网上充满了深度学习的教程。如果你是一个初学者，你可以选择去上斯坦福大学的CS221、CS224课程或人工智能课程等等。当然还有另外一种方法，你只需要一台性能良好的电脑，这样你就可以很好地开始深度学习。然而，并没有绝对的初学者。本文的资源列表可以帮助你了

由于我们是婴儿，因此我们培养了一种内在的能力，可以在不依赖父母或任何第三方教师的情况下，在任意复杂的环境中行走。DeepMind团队最近的一项研究提出了一种新技术，使用来自神经科学研究的一些新思想，实现AI代理中的空间导航。DeepMind提出的网格单元导

FPGA 芯片领域顶级会议 FPGA 2017 于 2 月 24 日在加州 Monterey 结束。在本次大会上，斯坦福大学在读 PhD、深鉴科技联合创始人韩松等作者的论文 ESE: Efficient Speech Recognition Engine

当地时间 2 月 15 日，谷歌在加州山景城召开了第一届年度 TensorFlow 开发者大会，这可算得上是 TensorFlow 开发者、支持者与爱好者的第一次盛会，谷歌也在此次会议上发布了开发者期待已久的 TensorFlow 1.0。经过一年多的发展

课程名称：用于自然语言处理的深度学习：2016-2017. 近期基于神经网络的统计学技术在自然语言处理方面技术取得了很多重大成功，也引发了人们对这一领域的商业和学术兴趣。由于这篇课程内容是关于近期研究成果的，因此，并未有相关教科书。课后阅读主要是已发表的论

自 2012年起，深度学习的各个方面的真实发展速度可能会超过你的想象。无论你怎么解释强调，有些人就是不理解它。但是有了图表你或许就能说服他们了。2010 年，图像识别还远远比不上人眼识别，但是到了 2015 年，图像识别超过了人类识别！2012 年出现了一

手写体识别是一个具有挑战性的问题，因为每个个体写作风格有巨大的差异。解决这个问题的传统方法是提取诸如不同字母的曲率、字母b／w的间隔等的语言相关特征，然后使用类似SVM的分类器来区分作者。在本文中，将会展示一个基于深度学习的方法来识别这些功能。我们将把小块

为什么深度学习如此“炒作”？增加深度学习的受欢迎程度的一个因素是2018年可用的大量数据，这些数据是在过去几年和几十年中收集的。这使得神经网络能够真正发挥他们的潜力，因为他们获得的数据越多越好。相比之下，传统的机器学习算法肯定会达到一个水平，更多的数据不会

或许，深度学习使用复数才是更加奇怪的事情吧。一个有价值的论点是：大脑在计算的时候不太可能使用复数。当然你也可以提出这样的论点：大脑也不用矩阵运算或者链式法则微分啊。此外，人工神经网络具有实际神经元的模型。或许更加奇妙的复分析会赋予我们更强大的方法。由于论据