高效搜索代码可以大幅提升开发者的工作效率，然而目前的代码搜索效果并不尽如人意。近期，越来越多的研究者开始关注利用深度学习解决代码搜索问题。这篇论文概述了神经代码搜索技术，并提出了一种新型方法 UNIF 网络。近期多项研究提出利用深度神经网络和自然语言执行代

我们从高中就开始学正态分布，现在做数据分析、机器学习还是离不开它，那你有没有想过正态分布有什么特别之处？为什么那么多关于数据科学和机器学习的文章都围绕正态分布展开？本文作者专门写了一篇文章，试着用易于理解的方式阐明正态分布的概念。机器学习的世界是以概率分布

推理优化是机器学习领域的核心问题之一，本文将解读 SysML 会议上两篇与推理优化有关的论文，其中一篇提出了准确高效的二位量化神经网络，另一篇则试图用宽松化图替代优化深度神经网络的计算过程。为了在尽可能小地损失准确度的同时尽可能多地减少计算，研究者们已经提

通过互联网学习意味着可以在无垠的知识海洋中遨游，但也可能因为广阔而迷失。在这个项目中，作者为机器学习提供了一个完整的学习路径。从 ML 到 DL、Scikit-Learn 到 TensorFlow，你需要这份学海指南。曾有多少次，当你试图接近某一个新主题或

在这一篇文章中，Niklas Donges 从六个基本概念总结了吴恩达 Machine Learning Yearning 整本书的精髓，这六个概念能引导我们快速迭代和更新 ML 系统。《机器学习训练秘籍》这本书讲的是如何构建机器学习项目的开发流程。大多数

春季到来，春招不久也会开始。在本项目中，作者为大家准备了 ML 算法工程师面试指南，它提供了完整的面试知识点、编程题及题解、各科技公司的面试题锦等内容。目前该 GitHub 项目已经有 1 万+的收藏量，想要跳一跳的同学快来试试吧。后面从算法到笔试面经主要

查找论文及对应源码的神器 Papers With Code 刚刚推出了最新版本，可以用图形界面查找你想要的 SOTA 实现，从应用领域到具体任务再到实现代码一步到位。据网站开发者介绍，里面包含了 966 个机器学习任务、515 个评估排行榜、8625 篇论

今天要介绍一个近期开源的自学深度学习 GitHub 项目，作者为每种具体算法提供了 Jupyter notebook 实现，可以轻易地在 Google Colab 上运行。所以想自学深度学习，不需要价格几千美元的 GPU，有一个 Chrome 浏览器就够了

选自arxiv，作者：Keno Fischer, Elliot Saba，机器之心编辑部。Julia 语言发展非常迅速，它可以视为同时具备了 Python 的灵活性与 C 的速度，但目前 TensorFlow 和 PyTorch 等框架官方都不支持 Jul

选自Medium，机器之心编译，参与：Geek AI、王淑婷、思源。机器学习有非常多令人困惑及不解的地方，很多问题都没有明确的答案。许多数据科学家主要是从一个数据从业者的角度来研究机器学习。因此，关于机器学习，我们应该尽可能多地把注意力放在新的程序包、框架

选自Medium，作者：Shubha Nabar，机器之心编译，参与：Geek AI、路。AutoML 即通过自动化的机器学习实现人工智能模型的快速构建，它可以简化机器学习流程，方便更多人利用人工智能技术。近日，软件行业巨头 Salesforce 开源了其

自去年 7 月与暴雪共同开放人工智能研究环境 SC2LE 以来，DeepMind 一直没有发表有关星际争霸人工智能的进一步研究。近日，这家公司提出了一种「关系性深度强化学习」方法，并在星际争霸 2 中进行了测试。在星际争霸 II 学习环境中，DeepMin

极低照明度下，传统增加亮度的方法会放大噪点和色彩失真。而最近 UIUC 和英特尔的研究者通过全卷积网络处理这一类黑黑的照明度图像，并在抑噪和保真的条件下将它们恢复到正常亮度。这种端到端的方法将为机器赋予强大的夜视能力，且还不需要额外的硬件。具体来说，训练一

近年来，深度强化学习已经取得了有目共睹的成功。机器之心也曾发布过很多介绍强化学习基本理论和前沿进展的文章，比如《专题 | 深度强化学习综述：从 AlphaGo 背后的力量到学习资源分享（附论文）》。近日，深度学习工程师 Thomas Simonini 在

昨日，Caffe2 的 Github 页面突然出现了一个「巨大的改动」：Caffe2 开源代码正式并入 PyTorch，至此，Facebook 主力支持的两大深度学习框架已合二为一。这两大框架，在整个深度学习框架格局中都极受关注。在 Caffe 2 的 G

近来移动通信和 5G 网络等快速发展，它们的调控与配置因为充满了多样性和动态变化而面临非常多的挑战。因此近来很多研究科学家开始利用机器学习及深度学习加强移动和无线网络的配置，并帮助应对数据量和算法驱动的应用程序的增长。本论文基本是首篇综述深度学习及无线网络

为视频中人物实时替换背景的技术能够催生出很多新类型的应用。谷歌最近提出的机器学习视频分割技术首先被应用在了自家的 YouTube app 上，实现了令人惊艳的效果。同时，由于模型被高度压缩，其在 iPhone 7 这样的移动端设备上也可以达到 100+ F

学习率是最影响性能的超参数之一，如果我们只能调整一个超参数，那么最好的选择就是它。相比于其它超参数学习率以一种更加复杂的方式控制着模型的有效容量，当学习率最优时，模型的有效容量最大。从手动选择学习率到使用预热机制，本文介绍了很多学习率的选择策略。本文的大部

概率论是机器学习与深度学习的基础知识，很多形式化的分析都是以概率的形式进行讨论。而这些讨论或多或少都离不开最大似然估计，因为它是参数估计的基础之一，也是构建模型的基石。在本文中，我们从最大似然估计到贝叶斯推理详细地讨论了机器学习的概率论基石，并希望能为读者

PRML 大神、微软剑桥研究院院长 Chris Bishop 与 John Winn 的机器学习新书 Model Based Machine Learning不久之前刚刚公布。本书从实际案例出发，每一章节都着重从头解决一个问题，本书从最基础的概念开始，一步