本文精選了過去一個月內(nèi)全球機器學習和AI領(lǐng)域的10篇熱門報道，內(nèi)容既包括算法和技術(shù)上的突破，也有獨樹一幟的觀點和建議，還涵蓋一些名校的AI課程資源和資料，值得AI愛好者和從業(yè)者收藏參考借鑒。

1、OpenAI的技術(shù)可能讓大規(guī)模生成以假亂真的假新聞

OpenAI訓練了一個神經(jīng)網(wǎng)絡，卻不愿意共享。為什么？這個神經(jīng)網(wǎng)絡能夠憑借單個句子中生成完全的假新聞。換句話說，這可能成為批量生成假新聞的一種工具。

本文介紹了OpenAI訓練神經(jīng)網(wǎng)絡時獲得的結(jié)果，給出了用該網(wǎng)絡預測超過40GB文本的下一個單詞時的結(jié)果，結(jié)果很理想，但問題是：如果這些技術(shù)落入壞人之手怎么辦？

OpenAI決定不與分享這些結(jié)果，理由是“這些成果可能成為對此類問題擔憂的早期開端”。確實，這是一個既存在潛在威脅，又容易被大部分人接觸到的案例。而且我認為，這個決定絕對是邁向負責任的人工智能技術(shù)的一步。

文章鏈接：

https://openai.com/blog/better-language-models/

2、如何發(fā)現(xiàn)假新聞的內(nèi)在模式？

目前，對抗假新聞成為越來越重要的話題。本文介紹了利用AI“去偽存真”的技術(shù)和所面臨的障礙。

目前，在一些特定的障礙中，由文章主題頻率引起的偏差是最重要的。事實上，包含“特朗普”或“克林頓”的詞語更可能是假新聞。訓練神經(jīng)網(wǎng)絡以便他們能夠有效地執(zhí)行未知主題是這里的真正挑戰(zhàn)。

本文推廣了一個重要的主題，在我看來，每個人都應該對此引起重視。

文章鏈接：

https://news.mit.edu/2019/opening-machine-learning-black-box-fake-news-0206

3 、為什么將數(shù)據(jù)科學應用在生產(chǎn)領(lǐng)域這么困難？

如果企業(yè)能夠有效地將數(shù)據(jù)科學成果融入現(xiàn)有業(yè)務流程，那么數(shù)據(jù)科學可以為公司帶來真正的價值。這就是作者的觀點，他在文章中解釋了為什么數(shù)據(jù)科學很難實現(xiàn)高效應用。

數(shù)據(jù)科學對資源方面要求很高，因此，開發(fā)人員和運營部門必須共同努力，快速為客戶帶來穩(wěn)定的新功能。在我看來，打破工作團隊中的孤島效應，并讓整個公司參與自動化決策主題達成這一目標的必要條件。

此外，作者關(guān)于IT基礎(chǔ)設(shè)施部署效率問題的表述是在生產(chǎn)領(lǐng)域成功應用數(shù)據(jù)科學的關(guān)鍵。

文章鏈接：

https://www.datascience.com/blog/why-is-it-so-hard-to-put-data-science-in-production

4、數(shù)據(jù)科學的職業(yè)內(nèi)容已經(jīng)不像你想的那樣了！

這篇文章行文直截了當?，F(xiàn)在，人們常常對數(shù)據(jù)科學家的日常工作存在某些誤解。澄清這一問題，對于目前在剛剛在該領(lǐng)域邁入職業(yè)生涯的大量年輕數(shù)據(jù)科學家來說是尤為重要事情。你們想錯了！對于數(shù)據(jù)科學家而言，僅僅掌握一些最先進的算法是不夠的。

不過，解決這個問題仍然有希望！這篇文章就給出了掌握數(shù)據(jù)行業(yè)以及作為數(shù)據(jù)科學家必備的技能。我真的很喜歡作者對工作的誠實態(tài)度。天下沒有免費的午餐，所以你需要努力工作和耐心。

然而，通過逐一處理真正的問題，你的進步可能比你想象的要快。 “永遠不要讓炒作壓倒你?！?/p>

文章鏈接：

https://veekaybee.github.io/2019/02/13/data-science-is-different/

5、利用機器學習提升風能發(fā)電的價值

“渦輪機的成本已經(jīng)大幅下降，使用率也已經(jīng)大幅上升”。所以，DeepMind目前提高風力發(fā)電價值的條件已經(jīng)初步成熟。為了實現(xiàn)這個目標，深度學習可能會大展身手。

利用深度學習算法，準確預測風力和風向，可以讓渦輪機所有者優(yōu)化在電網(wǎng)中的部署情況。然后，根據(jù)預測結(jié)果做出的規(guī)劃越細致，單位風能所能創(chuàng)造的價值就越多。

這篇文章簡潔而高效，文中給出了DeedMind的機器學習算法讓風力發(fā)電實現(xiàn)增值的不同步驟和背景，提出了鮮明的論點。這里要給無碳技術(shù)點個贊！

文章鏈接：

https://deepmind.com/blog/machine-learning-can-boost-value-wind-energy/

6、深入研究并了解神經(jīng)網(wǎng)絡的工作原理

本文的基礎(chǔ)是另一篇展示神經(jīng)網(wǎng)絡的文章，該網(wǎng)絡可以生成美麗的顏色組合。在他重現(xiàn)他在互聯(lián)網(wǎng)上發(fā)現(xiàn)的一篇文章中，作者遇到了導致圖像質(zhì)量不佳的幾個問題。

因此，他在本文中介紹了自己解決這個問題的一些步驟，并提供了一些中間結(jié)果和假設(shè)。

Jupyter Notebook提供了構(gòu)建自己的神經(jīng)網(wǎng)絡并改進網(wǎng)絡性能的一些指導意見，從現(xiàn)在開始，你就是藝術(shù)家了！

文章鏈接：

https://towardsdatascience.com/making-deep-neural-networks-paint-to-understand-how-they-work-4be0901582ee

7、利用TensorFlow代碼示例介紹深度學習

對于想要開始使用TensorFlow的人來說，這篇文章是必讀的。作者討論了從MLP到深度強化學習的7種架構(gòu)范例，最重要的是，提供了實現(xiàn)其中每一種的代碼示例。

本文以非常清晰和教學化的方式介紹了MIT深度學習的課程材料。

文章鏈接：

https://medium.com/tensorflow/mit-deep-learning-basics-introduction-and-overview-with-tensorflow-355bcd26baf0

8、AlphaStar：《星際爭霸II》制霸之路

近年來，視頻游戲迅速成為機器學習算法的熱門領(lǐng)域。 《星際爭霸》成為眾人矚目的焦點，這是一款非常成功且極具挑戰(zhàn)性的游戲。對算法而言，難點包括非完全信息、需要短期和長期戰(zhàn)略的組合，行動指令和行動效果之間存在延遲等。

本文首先簡要描述了學習階段使用的神經(jīng)網(wǎng)絡，然后通過可視化和交互式原理圖詳細介紹了網(wǎng)絡學習路徑。

此外，將AlphaStar的AI的游戲方式與真實玩家的游戲方式進行比較真的很有趣。可以看到，算法在一些有趣的領(lǐng)域中超越了人類玩家水平，如APM、多線操作等。

文章鏈接：

https://deepmind.com/blog/alphastar-mastering-real-time-strategy-game-starcraft-ii/

9、給神經(jīng)網(wǎng)絡做個“顯微手術(shù)”

本文介紹了一個簡單但很棒的想法，可以手動修復有偏見的神經(jīng)網(wǎng)絡。

MIT的研究人員研究了一種工具（NeuroX），對受過語言翻譯訓練的神經(jīng)網(wǎng)絡的神經(jīng)元進行排序。此排名的目標是衡量每個神經(jīng)元在翻譯過程中的重要程度。

消融一個重要的神經(jīng)元會大大降低網(wǎng)絡的性能，而消融一個不那么重要的神經(jīng)元幾乎對性能沒有什么影響。在對抗網(wǎng)絡訓練中的偏見時，這個工具的作用更加具體。它試圖找出排名最高與識別性別有關(guān)的排名最高的神經(jīng)元，然后：祝賀，你的神經(jīng)網(wǎng)絡不再有性別歧視了！

文章鏈接：

http://news.mit.edu/2019/neural-networks-nlp-microscope-0201

10、優(yōu)步的數(shù)據(jù)工作流程的規(guī)?；芾?/p>

優(yōu)步公司每天生成的原始數(shù)據(jù)量超過100PB。因此，公司需要能夠在運營團隊和機器學習工程師之間共享可靠、可擴展、可維護的系統(tǒng)。為此，優(yōu)步開發(fā)了Piper，這是一款集中式工作流程管理系統(tǒng)。

本文清楚地介紹了優(yōu)步對此工具進行的迭代改進，相信這些改進應該會引發(fā)任何應用數(shù)據(jù)系統(tǒng)的人的濃厚興趣。