AI科技大本营6月热文汇总，肯定有你错过的

以下是AI科技大本营6月份的精品文章，这里推送给大家。

这篇文章就专门来回答：不同行业，不同需求的人，到底应该在什么地方去获取有用资料，避免时间浪费。

想成为数据科学家？赶紧收藏这份清单吧！

对于Tensorflow学习来说，斯坦福的这门课程是一个上佳的框架，值得大家采纳。

值的收藏的资源型文章。

不可多得的一篇好文章，本文以图文并茂的方式为你讲解LSTM。

在深度学习十分火热的今天，不时会涌现出各种新型的人工神经网络，想要实时了解这些新型神经网络的架构还真是不容易。文章整理出一份清单来梳理所有这些架构。其中大部分是人工神经网络，也有一些完全不同的怪物。

本文是Nodejs之父Ryan Dahl在Google Brain做了一年深度学习后的心得体会，他在那里的目标是用机器学习将卓别林的老电影自动修改到4K画质。他的新项目成果几何？Nodejs之父的机器学习心得又是什么呢？

神经网络下围棋能赢柯洁、读X光照片好过医生、就连文本翻译上也快超过人类了……其实在写代码方面，神经网络也丝毫不落下风……用Linux源代码训练2小时，一个递归神经网络就能重写好它自己的代码，这是不是比程序员学得还快？

本文除了对各类剪枝技术进行详解，还会以案例的形式来进行实验实操：修剪一个基于VGG-16模型的猫狗分类器。案例结果证明，剪枝后的模型在速度上比原来快了近3倍，而文件大小只有原来的1/4。这对移动设备来说极其重要。

一般都认为，亚马逊的成功要归功于它鼎鼎大名的“一键下单”功能，但其背后，还需要一个成单量极高的智能推荐系统，来驱动消费者不停地在亚马逊上“买!买!买!”。本文的目的，正是回顾亚马逊这个以成单率著称的个性化推荐系统的发展历程。

对于机器学习算法的盘点，网上屡见不鲜。但目前还没人能结合使用场景来把问题说明白，而这一点正是本文的目的所在。在文章中，作者将结合他的实际经验，细致剖析每种算法在实践中的优势和不足。

图像识别是当今深度学习的主流应用，而Keras是入门最容易、使用最便捷的深度学习框架。本文让你在最短时间内突破五个流行网络结构，迅速达到图像识别技术前沿。

随着Keras在R上的推出，R与Python的斗争回到了中心。Python慢慢成为了最流行的深度学习模型。但是，随着Keras库在R后端的发布，并且在后台还可以使用TensorFlow，所以在深度学习领域，R将再次与Python打成平手。本文讲述如何使用Tensorflow在R中安装Keras，并在RStudio的经典MNIST数据集上构建自己的第一个神经网络模型。

这位本科还没毕业，就已进入谷歌大脑，与Google资深研究员Lukasz Kaiser共同发表了最近的一篇热门论文----"One Model To Learn Them All"，成功证明，一个神经网络是能同时处理多项任务的。这小子到底是谁？是什么大学这么牛逼，造就了他？关于这篇论文，这位本科生脑子里到底怎么思考的？

在参赛过程中与论坛上的其他参赛者互动，能不断地获得启发，受益良多。即使对于一些学有所成的高手乃至大牛，参加Kaggle也常常会获得很多启发，与来着世界各地的队伍进行厮杀的刺激更让人欲罢不能。

调试神经网络可能比调试传统程序更费精力，因为几乎所有错误都被投射到整个网络表现的单一维度。尽管如此，二分查找仍然起作用。通过交替

1）调整问题的难度，和2）使用少量的训练样本，你可以快速解决最初的问题。然后超参数调整和长时间的等待就可以解决你剩下的问题了。

很多人以为外卖不过是下单、送餐，不需要什么技术含量。这种理解其实很片面，外卖业务不仅需要技术，它高度个性化、精细化的需求，是要用深度学习技术来解决的。本文以美团的外卖业务为切入点，介绍了深度学习在美团的应用，如通过图像质量的提升、用OCR技术对用户行为数据进行解析，以及ＤＮＮ在评估模型中的应用，特征组合问题以及树模型的应用等。

在WWDC 2017上，苹果首次公布了机器学习方面的动作。iOS系统早已支持Machine Learning 和 Computer Vision ，但这次苹果提供了更合理，容易上手的API，让那些对基础理论知识一窍不通的门外汉也能玩转高大上的前沿科技。这篇文章介绍了通过苹果最新的API把YOLO模型集成到APP中的两种方法。

美团是如何用AI服务其核心业务呢？NLP技术到底在美团有怎样的具体案例？本文来自美团技术大牛李彪在最近一次闭门沙龙分享，介绍 NLP 技术的应用场景、技术实现和具体案例。

这篇文章主要解决三个问题：1.开发人员是否应该转向机器学习；2.需要什么条件才能转向机器学习；3.应该怎么开始机器学习。

本文试图以最简单的语言，给你普及一下我们通常所说的人工智能学习的四种方法，并通过有趣的例子，帮你建立一些直观的感受，而且很容易读懂，是一篇机器学习入门的不可多得的好文章。同时，文章还包括相关的很多文章和论文，是个很不错的资源包。

本文我们通过一个贷款风险评估的案例，用最通俗的语言向你介绍机器学习的基础招式，一步步帮助你用Python完成自己的第一个机器学习项目。

深度学习其实是一个我们这五年不得不去跟进的方向，因为它的结合性强，它的应用形态不可预测，它是一个“脑洞”科技。它可以放在各个场景下，给各个领域带来冲击。我们不知道这个东西能用在多少地方，有多大的潜力，能搞出什么名堂。在竞争当中，这种武器是最可怕的，没有固定的形态，放到哪里都有可能弄出一个意外的大杀器。

当我们需要用深度学习处理现实问题时，除了相关的技术和数据，你还需要掌握一系列的小诀窍，并将这些技巧用在级联模型、智能增强、合理的评价标准、建立可重用的训练管道、有效推断与减小模型大小等等方面。本文通过五个案例，三大心得，带你在深度学习的应用之路上快速打怪升级。

本文回顾了从传统机器学习，到wGAN的逻辑发展过程，让读者对历史发展有个清晰的认识，并提供了wGAN的代码实现，是一篇很好的学习wGAN的入门材料。

在决策分析中，决策树可以非常清晰地呈现决策的过程和结果。“树”如其名，决策树所用的正是一个树形的决策模型。数据挖掘领域经常会用决策树来搜寻给定问题的解决策略，机器学习领域同样会广泛用到这一方法。这就是这篇博客的主题。

响应更快（不需要网络通信延迟），节省流量（不需要上传数据），可以实时处理视频（实时上传和处理视频不够快），对开发者更便宜（不需要租用服务器）。这四个原因决定了手机端深度学习将是下一个大浪潮。

详述多种算法的适用范围，基本原理，以及优缺点等。

本文将梳理：每个算法的梯度更新规则和缺点；为了应对这个不足而提出的下一个算法；超参数的一般设定值；几种算法的效果比较以及选择哪种算。

耳闻目睹了机器学习的诸般神奇，有没有冲动打算自己尝试一下？本文我们通过一个贷款风险评估的案例，用最通俗的语言向你介绍机器学习的基础招式，一步步帮助你用Python完成自己的第一个机器学习项目。试过之后你会发现，机器学习真的不难。

无论即将到来的是大数据时代还是人工智能时代，亦或是传统行业使用人工智能在云上处理大数据的时代，作为一个有理想有追求的程序员，不懂深度学习（Deep Learning）这个超热的技术，会不会感觉马上就out了？因此，AI科技大本营选取了《零基础入门深度学习》系列文章，希望帮助编程爱好者零基础入门。

学习深度学习，不知道怎么配置环境可不行，本文详细叙述了配置选型和安装过程，值的一看。

以图片的形式，用最简单的语言，详细解释TensorFlow的数据读取机制。

商品评论挖掘、电影推荐、股市预测……情感分析大有用武之地。本文帮助你一步步用Python做出自己的情感分析结果。

本文具体介绍Google DeepMind在15年提出的Spatial Transformer Networks，相当于在传统的一层Convolution中间，装了一个“插件”，可以使得传统的卷积带有了[裁剪]、[平移]、[缩放]、[旋转]等特性。

在 Kaggle 的很多比赛中，我们可以看到很多 winner 喜欢用 XGBoost，而且获得非常好的表现，本文讲述了 XGBoost到底是什么以及如何应用。

在这个系列文章中，我们力图用最为通俗易懂、图文并茂的方式，带你入门深度学习。我们都知道，高手从来都是自学出来的。所以，这个深度学习的入门系列，能带给你的是“从入门到精通”，还是“从入门到放弃”，一切都取决你个人的认知。

第一步：将图像理解为一个概率分布的样本；第二步：快速生成假图像；第三步：找到用于图像补全最好的伪图像。千万不要以为像把大象关进冰箱那么简单，每一步下边都包涵多个小结和知识点，需要好好研究。

本文通过介绍另外一种『感知器』，也就是『线性单元』，来说明关于机器学习一些基本的概念，比如模型、目标函数、优化算法等等。这些概念对于所有的机器学习算法来说都是通用的，掌握了这些概念，就掌握了机器学习的基本套路。

深度神经网络和深度学习算法因为在科研工作与工程任务中都取得了显著的效果从而大受欢迎。而其中取得显著成功的深度神经网络通常是由于它们成功的架构设计。本文分享并回顾了最近几年神经网络架构的发展历史。

在这篇文章中，我们会学到参数调优的技巧，以及XGboost相关的一些有用的知识。以及，我们会用Python在一个数据集上实践一下这个算法。

当你听到说深度学习打破了某项新技术障碍，那么十有八九就会涉及到卷积神经网络。它们也被称作CNNs或着ConvNets，是深层神经网络领域的主力。它们已经学会对图像进行分类，在某些情况下甚至超过了人类。如果有一个方法证明了这种假设，那就是CNN。

在这个教程中，我们将学习以下几个方面：为什么选择 Keras；为什么 Keras 被认为是深度学习的未来；如何在Ubuntu上面一步一步安装Keras；学习Keras TensorFlow教程之前，应该了解的Keras基础知识；了解 Keras 序列模型；使用 Keras 保存和回复预训练的模型；Keras API。

苹果发布专为移动端优化的Core ML，移动开发者对此的需求到底有多强烈？去年大获成功的AI应用Prisma又能告诉我们什么？苹果的新武器Core ML具体该怎么用？野心勃勃的苹果在移动端机器学习上的布局到底有着怎样的心机？苹果真能撼动Google、Facebook的优势地位吗？未来AI的走向会不会就此改变？

YOLO全名You only look once，是一个用于摄像头的实时目标检测系统。它能分辨出6000种物体，可在Titan X显卡上以40-90FPS的帧率处理视频。YOLO在原理上不同于过往的目标检测系统，人们过去只是把分类器和定位器的模型重用到目标检测上，用以监控摄像头视野中的多处位置和区域，得分最高的区域就被认为是发现目标。

难道特斯拉怕花钱？

亚马逊一直在用自己的方式提醒我们，消灭工作的不是技术，而是那些只会简单地用技术来削减成本并谋取短期利润的商业决策。

卡耐基梅隆数据库小组的最新研究成果，他们正用最新的深度学习技术，完成数据库的调优工作。如果这项技术在未来进一步普及，那么这个行业不得不接受AI对于人员结构的改造。优秀的数据库管理员（简称为DBA），原本可以靠自己的本事享受高薪，可是好景不长了，因为即便是资质平平的DBA，以后借助AI的力量，也能瞬间达到优秀DBA的水平。

正方：倘若你的样本数量少于100个，最好不要使用深度学习，因为模型会过拟合，这样的话，得到的结果将会很差。

反方：模型表现很差并不是由过拟合引起的。没能收敛，或者难以训练很可能才是罪魁祸首。你正方因此得出这样的结论，是因为你实验本身的问题。方法用对了，即使只有100-1000个数据，仍然可以使用深度学习技术，得到好的结果。

AI100好评如潮的精品课《XGBoost从基础到实战》由资深讲师一步步带领大家从XGBoost的安装到一行行Python代码实现各类算法任务，不需要有很强的数学基础，直接从实战入手，学员们纷纷表示获益良多。快加入我们开启你的XGBoost探索之路！

点击下方“阅读原文”查看更多内容。