在刚刚结束的 NeurIPS 2019 上，VentureBeat 与谷歌 AI 负责人 Jeff Dean 进行了一场对话。双方聊了很多，包括谷歌在机器学习方面的早期研究、Google Bert 在对话式 AI 方面所产生的影响力，以及关于 2020 年

AI 的魅力不断吸引新生力量汇聚，越来越多的「新手」正在「首发」的路上，他们希望得到前辈们的指点迷津，提升自己能力和研究水准！New In ML 2019 以经典的 Workshop 形式组织，在 10 月 15 日论文提交截止时间前，共计收到机器学习各个

在许多媒体文章中，我们都能看到「机器学习赋能 XX 行业」的字眼，但这种「能量」究竟体现在哪些方面，企业在引入机器学习模型的过程中要注意哪些问题，很多文章都没有说清楚。在今年的 KDD 大会接收论文中，全球最大的线上旅行代理网站 Booking.com（缤

深度学习和硬件怎样结合？Jeff Dean 长文介绍了后摩尔定律时代的机器学习研究进展，以及他对未来发展趋势的预测判断。过去十年我们见证了机器学习的显著进步，特别是基于深度学习的神经网络。机器学习对算力的需求无疑是庞大的，从计算机视觉到自然语言处理，更大的

「团结就是力量」。这句老话很好地表达了机器学习领域中强大「集成方法」的基本思想。总的来说，许多机器学习竞赛中最优秀的解决方案所采用的集成方法都建立在一个这样的假设上：将多个模型组合在一起通常可以产生更强大的模型。本文介绍了集成学习的各种概念，并给出了一些必

在数据的世界中，机器学习已经成为不可或缺的工具。机器学习可以帮助发现隐藏在大量数据中的特定知识。很多时候，这些知识都不是人类能轻易分析得出的，它展示了大量事实之间的内部联系。但是如果我们需要这些隐藏知识辅助做决策，机器学习建模就成为了一个非常有效的手段。

选自arXiv，作者：Matiur Rahman Minar、Jibon Naher，机器之心编译，参与：翁俊坚、刘晓坤。这篇综述论文列举出了近年来深度学习的重要研究成果，从方法、架构，以及正则化、优化技术方面进行概述。机器之心认为，这篇综述对于刚入门的深

选自arXiv，作者：John Olafenwa，机器之心编译，参与：Geek AI、路。第 35 届国际机器学习会议正在瑞典斯德哥尔摩举行。对于，科学家更喜欢更简单的模型，因为响应和协变量之间的关系更清晰。当预测量的数量很大时，我们往往希望确定出一个能展

近日 International Conference on Machine Learning 2018 宣布了获奖论文。值得注意的是这五篇中，有两篇与算法公正性有关，反映了当今机器学习学者群体对其自身的社会影响的日益关注。两篇论文都用简练优雅的数学模型描

追踪视频中的物体一直是计算机视觉领域中的基本问题，对于动作识别、对象交互或视频风格化等应用非常重要。然而，教会机器视觉追踪物体是一个具有挑战性的任务，因为它需要大量经过标注的追踪数据集用于训练，而大规模的标注通常是不切实际的。在谷歌最近提交的论文《Trac

5 月 3 日，智能芯片公司寒武纪科技在上海举办了 2018 产品发布会。会上，寒武纪正式发布了多个最新一代终端 IP 产品——采用 7nm 工艺的终端芯片 Cambricon 1M、首款云端智能芯片 MLU100 及搭载了 MLU100 的云端智能处理计

本文介绍了三种用于表征句子的无监督深度学习方法：自编码器、语言模型和 Skip-Thought 向量模型，并与基线模型 Average Word2Vec 进行了对比。近年来，由于用连续向量表示词语技术的发展，自然语言处理领域的性能获得了重大提升。尽管 Wo

在《国家科学评论》 2018 年 1 月份出版的机器学习专题期刊中，介绍了南京大学周志华教授发表的一篇论文《A brief introduction to weakly supervised learning》。机器之心经授权对此论文部分内容做了编译介绍，

循环神经网络是当前深度学习热潮中最重要和最核心的技术之一。近日，Jason Brownlee 通过一篇长文对循环神经网络进行了系统的介绍。循环神经网络是一类人工神经网络，其可以通过为网络添加额外的权重来在网络图中创建循环，以便维持一个内部状态。为神经网络添

机器学习算法可以融合来自车体内外不同传感器的数据，从而评估驾驶员状况或者对驾驶场景进行分类。本文将粗略讲解一下各类用于自动驾驶技术的算法。如今，机器学习算法正大规模地用于解决自动驾驶汽车产业日益增多的问题。运行车载辅助系统的相关程序可从数据融合传感系统接收

最新一期《Artificial Intelligence》期刊的一篇论文试图通过强化学习来让机器具备一定的好奇心。研究者 Todd Hester 和 Peter Stone 在本论文中提出了一种内在激励的基于模型的强化学习算法 TEXPLORE-VANIR

本文的作者 Nishant Shukla 为加州大学洛杉矶分校的机器视觉研究者，从事研究机器人机器学习技术。Nishant Shukla 一直以来兼任 Microsoft、Facebook 和 Foursquare 的开发者，以及 SpaceX 的机器学习

在斯坦福运筹学博士、杉数科技联合创始人兼 CTO 王子卓看来，人工智能和运筹学都能通过数据帮助人们解决实际问题。但与人工智能专注于预测、识别等功能的准确性相比，运筹学更在意的是给出商业、金融等场景下完整的解决方案，解决具体的行业问题。或许以数据化决策公司杉

Geoffrey Hinton 的「神经网络与机器学习」课程是机器学习领域长久不衰的经典之一，Arthur Chan 在 The Grand Janitor 发表了一篇关于 Hinton课程的回顾文章，机器之心对其做了编译。要知道，该课程于 2012 年首

当地时间 3 月 8-10 日，Google Cloud NEXT '17 大会在美国旧金山举行，机器之心作为受邀媒体进行了现场报道。去年 11 月份李飞飞加入谷歌引起了业内极大关注，此番首次亮相谷歌云大会自然也是大会首日的重头戏。在 Keynote 演讲