回到主页

智源社区AI周刊#002 (2019.12.23)

——智源社区AI周刊 发布于 2019/12/23

智源社区AI周刊,从学术(论文和新思想分享、最新学术会议等),行业和政策(技术产业政策、项目基金申请、技术投融资等),人物(学者的人士变动和获奖情况)、数据(数据集分享),产品(新工具和应用推荐),求职(职场研究报告等)等诸多角度,鸟瞰过去一周内在人工智能领域值得关注的新思想、新动向和新成果等,以飨大家。

在过去一周(2019/12/16~2019/12/22)左右时间,首先值得推荐的内容有以下3方面:

  • 谷歌AI负责人Jeff Dean 近日接受专访,讨论了2020 年机器学习领域趋势,他认为在规模更大的多任务学习和多模式学习方面,AI将取得新的里程碑。此外,他还着重提及了基础研究和模型在多设备上有效工作的重要性。其观点为AI研究人员和应用开发人员启发了思维,指明了方向。(详情参见本周刊“观点”栏目)。
  • ICLR于12月20日公布录用结果。作为深度学习领域的高水平会议,ICLR 素有深度学习顶会 “无冕之王” 之称。ICLR 2020共收到2594篇论文提交,其中,有687篇被接受,接受率为26.5%。共计48篇Oral、108篇Spotlight和531篇posters。本次大会的盛况再次体现了深度学习研究的空前繁荣。(详情参加本周刊“会议”栏目)
  • 清华大学知识工程研究室(KEG)推出了一个大规模图表示学习工具包 CogDL,可以让研究者和开发者更加方便地训练和对比用于节点分类、链路预测以及其他图任务的基准或定制模型。图神经网络堪称目前人工智能研究的最热门方向,该工具的发布将为广大的研究者和相关从业人员带来极大的便利。(详情参见本周刊“新工具”栏目) 

下面,是上一周(2019/12/16~2019/12/22)左右时间内,在AI领域值得关注的各个要点的详情介绍。

- 论文推荐 -

NASA:一种更好地学习三维模型动作的方法

NASA: Neural Articulated Shape Approximation

本文是图灵奖得主Geoffrey Hinton的最新研究成果。随着深度学习在计算机视觉以及图形学领域起到了越来越重要的作用,越来越多的方法基于神经网路模型建立了对三维几何模型的表达。然而,这些工作主要基于普通的不可变形的三维模型,对具有关节结构的可变形的三维模型的研究依然很少。但由于具有关节结构的三维模型包含了人体模型,广泛应用于游戏、电影、虚拟现实以及增强现实等领域,因此对于这类模型的研究便十分重要。在本文中,作者提出了一种新的方法用于训练解码器D来估计有关节的三维模型,解码器生成的三维模型通过指示函数(indicator function)来表示,这一指示函数以三维模型的姿态作为参数,输入为三维空间中的点x,当该点位于三维模型内时,输出为1;位于三维模型外时,输出为0。与其他方法不同的是,NASA专注于通过姿态参数来估计三维模型的指示函数,这些姿态参数描述了三维模型是如何变形的。

来源:谷歌 | 论文下载

一种场景表征网络模型SRNs

Scene Representation Networks: Continuous 3D-Structure-Aware Neural Scene Representations

该论文是NeurIPS 2019“杰出新方向”荣誉提名论文。该论文提出场景表征网络(Scene Representation Networks,SRNs),这是一种连续的、3D 结构感知的场景表征模型,该模型能够同时编码几何和外观。SRNs 将场景表征为连续函数,将世界坐标(world coordinate)映射为局部场景属性的一个特征表示。通过将成像系统地描述为一个可微的射线行进算法(ray-marching),SRNs 只基于2D图像及其图像的摄像机位便可进行端到端的训练,无需景深或形状信息。这种方法可以在不同场景之间自然泛化,在这个过程中学习强大的几何和外观先验知识。该论文通过新视野图的合成、少样本重建、联合形状和外观插值和非刚性面模型的无监督发现来评估SRNs的潜力。

来源:NeurIPS 2019 | 论文下载 | 代码链接

图神经网络解释器

GNNExplainer: Generating Explanations for Graph Neural Networks

图神经网络(Graph Neural Network),作为深度学习领域最热门的方向之一,相关论文在各大顶会层出不穷。但是,图神经网络的解释性问题没有得到较多的关注。图神经网络的解释性是非常有必要的:1)提升了 GNN 的可信程度;2)在一些注重公平性,隐私性和安全性的决策应用,可以提升决策的透明度;3)可以更好的理解图本身的特性。本文提出了 GNNExplainer,可以从网络结构和节点属性的角度来对任意图神经网络和任意图挖掘任务生成解释。GNNExplainer 旨在探寻与预测结果最相关的子图结构来实现对结果的解释,其中 Graph Mask 和 Feature Mask 可以分别对实现对结构和特征的筛选。

来源:斯坦福大学 | 论文下载 | 代码链接

深度双线性转换优化细粒度图像表示

Learning Deep Bilinear Transformation for Fine-grained Image Representation

双线性特征在学习细粒度图像表达上取得了很好的效果,但逐对计算卷积通道之间的信息交互会带来极大的计算代价,使得这样有较强表达能力的操作无法在深层的神经网络中被多次使用,从而限制了其应用的有效性和广泛性。因此,作者设计了一种深度双线性转换模块,能够深层地将双线性表达应用在卷积神经网络中,来学习细粒度图像特征。深度双线性转换模块主要通过引入基于部位表达的语义分组信息,对组内的特征进行双线性操作和组间特征进行整合来得到低维的双线性表达,从而在深度神经网络中多次叠加使用双线性操作。我们提出的深度双线性模型在三个常用的细粒度图像分类任务上取得了明显的提高,下文中我们将详细介绍研究背景、实现细节以及实验结果。

来源:NeurIPS 2019 | 论文下载 | 代码链接

PointRend:渲染思路做图像分割,显著提升Mask R-CNN性能

PointRend: Image Segmentation as Rendering

实例分割是计算机视觉任务中一个重要的任务。传统的示例分割方法输入图像,并对图像的每个像素点进行预测,推断像素点所属的实例标签,并区分属于不同实例的像素点。然而,现有的方法可能会对光滑的像素点区分边界进行过度计算,导致本应当具有清晰、连续边界的实例边缘像素点被分错。为了解决这一问题,何恺明等提出了一种新的实例分割的方法,用来优化解决这个问题。研究者表示,这一方法可作为已有的图像分割架构的一个模块来使用。他们在 Mask R- CNN 和 DeepLabV3 等模型上进行了测试,性能提升明显,而且算力占用很小。

来源:Facebook FAIR 实验室 | 论文下载

- 观点 -

Jeff Dean谈2020年机器学习趋势:多任务和多模式学习将成为突破口

谷歌AI负责人Jeff Dean 近日接受专访,讨论了2020 年机器学习领域趋势,他认为在规模更大的多任务学习和多模式学习方面,AI将取得新的里程碑。而正如谷歌在Transformer上的工作引领了NLP领域的发展,Jeff Dean认为应该将重点放在基础研究上。此外,他认为将有一种持续的趋势,那就是在更有趣的设备(或诸如手机之类的消费类设备)上,模型能够更有效地工作。

来源:新智元 | PPT下载 | 报道链接

- 行业和政策 -

纽约大学AI Now研究所发布《AI Now 2019 年度人工智能报告》

纽约大学AI Now研究所发布了第四份关于人工智能现状的年度报告:

1. 决策者应禁止在影响人们生活和获得机会的重要决策中使用情感识别。在那之前,人工智能公司应该停止部署它。

2. 政府和企业应该停止在敏感的社会和政治环境下使用面部识别,直到风险被充分研究和适当的监管到位。

3. 人工智能行业需要进行重大的结构性改革,以解决系统性的种族主义、厌女症和缺乏多样性的问题。

4. 人工智能偏见研究应该超越技术层面的修正,关注更广泛的政治和人工智能使用的后果。

5. 政府应要求公开披露人工智能行业对气候的影响。

6. 工人应该有权对剥削性和侵入性的人工智能提出异议——工会可以提供帮助。

来源:AI Now | 原始报道 | 中文报道

美国正敲定敏感技术出口新规:涉及量子计算、半导体和3D打印

美国在敏感技术的出口问题上可能会出台新的规则。根据路透社的报道,特朗普政府目前正在敲定一套“缩小范围”的规则,以便更为具体地限制向中国及其他国家出口先进技术。这对美国的工业界来说,或许是一个福音,因为该行业在过去很长一段时间里,一直在担忧美国政府对海外销售的严厉打击。据悉,目前美国商务部正在制订的新规则是基于 2018 年涉及量子计算和 3D 打印技术等产品的五项规则的进一步完善。这项法规在去年被提出时,其目的就是避免敏感技术受到竞争对手的控制。在起草新规则之前,美国商务部从去年开始,就该法规可能涵盖的包括人工智能、通信技术和机器人技术等众多的高科技领域向业界征求评论。而来自各个高科技企业的回复,加剧了美国商务部对制定一套 “广泛且严格”的法规的担忧,因为一旦新规则涉及范围广泛将阻碍美国许多高科技企业的大量出口。

来源:REUTERS | 原始报道 | 中文报道

英特尔20亿美元收购AI芯片公司Habana Labs

12月16日,英特尔正式宣布以20亿美元收购Habana Labs。这是继153亿美元收购Mobileye、3.5亿美元收购Nervana之后,英特尔第三次收购大型人工智能初创公司。收购完成后,Habana将作为一个的业务部门,并将继续由当前管理团队来领导。Habana将向英特尔数据平台事业部报告,该事业部也是英特尔广泛的数据中心人工智能技术的大本营。Habana董事长Avigdor Willenz同意担任该业务部门以及英特尔的高级顾问,Habana的总部将继续设于以色列不变。对于这一收购新闻,业内人士纷纷发表了自己的看法。赛灵思 AI 业务高级总监、原深鉴科技联合创始人姚颂评论道:Intel既是当了冤大头,也变相承认了收购Nervana是彻底失败了。

来源:venturebeat | 原始报道 | 中文报道

用户超3千万,完成过亿元B轮融资的学堂在线,将加强AI+教育投入

近日,学堂在线宣布完成B轮过亿元融资。此轮融资由慕华资本领投,高榕资本、红点中国等老股东跟投。2014年12月,学堂在线获得红点中国、高榕资本和北极光创投A轮1500万美元投资;2015年11月,学堂在线获得启迪创投和慕华投资A+轮1760万美元投资。清华控股副总裁、学堂在线董事长范新透露,此次融资将用于加强AI+教育等相关技术研究、优质课程的引进开发以及在线教育发展新模式的探索,充分释放在线学习的优势,为用户提供更好的学习体验、更优质的内容,实现线上线下融合的多场景智慧教育。

来源:雷锋网 | 报道链接

- 人物 -

2020 AAAI Fellow 名单公布

12月21日,2020 AAAI Fellow名单公布,共10个名额。AAAI(Association for the Advancement of Artificial Intelligence)是国际人工智能领域最权威的学术组织,Fellow 是该学会给予会员的最高荣誉,仅颁给对人工智能做出“非同寻常的卓越贡献者”,而且评价时间以十年计。值得注意的是,公布的最新 AAAI Fellow 名单中,Yann LeCun 和 Yoshua Bengio 双双入选,弥补了这三位图灵奖获得者中剩下的两位没有进入 AAAI Fellow 的遗憾。

来源:机器之心 | 报道链接

- 数据 -

微软与哈佛大学定量社会科学研究所合作开发开放数据差异隐私平台,开启研究新征程

我们生活在一个充斥着数据的世界,我们每天都在创造越来越多的数据。然而,数据通常包含敏感的个人信息,这些信息可以通过允许重新标识数据所有者的方式对其进行操作。因此,我们需要找到一种方法来分析数据,以释放其全部潜力,同时又不为数据所有者的隐私带来风险。最近人工智能和数据科学的进步使这成为可能,微软与哈佛大学的Gary King,Weatherhead大学的教授、哈佛大学定量社会科学研究所的创始人兼领导者,合作构建一个平台来使用差异隐私以保证数据的私密性,同时使跨部门的研究人员包括学术界、政府和私营部门获得新的可以迅速提高人类知识的见解。。

来源:领英 | 原始报道 | 中文报道

- 代码 -

使用自己的数据集训练MobileNet、ResNet实现图像分类

TensorFlow官网中使用高级API实现了很多常用的模型,但灵活性太差了,不容易增加log或者其他信息。本文作者搭建一个较为通用的模型训练框架《tensorflow_models_nets》,目前几乎可以支持所有模型的训练,由于训练过程是自己构建的,所以读者可以在此基础上进行任意的修改,也可以搭建自己的训练模型。

来源:AI科技大本营 | 博文链接 | 代码链接

PyTorch实现L2和L1正则化的方法

本文介绍了PyTorch实现L2和L1正则化的方法。主要内容包括:1.torch.optim优化器实现L2正则化。2.如何判断正则化作用了模型。3.自定义正则化的方法。根据这些内容,我们可以熟练掌握正则化的实现从而优化我们的模型。

来源:CSDN博文精选 | 博文链接

提升Pandas性能的常见优化方法

Pandas是Python中用于数据处理与分析的屠龙刀,想必大家也都不陌生,但Pandas在使用上有一些技巧和需要注意的地方,尤其是对于较大的数据集而言,如果你没有适当地使用,那么可能会导致Pandas的运行速度非常慢。这篇文章给大家总结了一些pandas常见的性能优化方法。

来源:Python中文社区 | 博文链接

如何使用 Julia 语言实现同“同态加密+机器学习”?

最近,“区块链”、“联邦学习”等概念受到了空前的关注。而在这些概念背后,少不了一项技术的影子——“同态加密”。本文介绍了使用 Julia 语言进行基于同态加密数据机器学习的全过程,对于入门者具有极大的参考价值。在我们的例子中,用户可以将加密数据(例如图像)传递给云 API,以此运行机器学习模型,并返回加密的答案。整个过程中都没有解密用户数据,尤其是云服务商既不能访问原始图像,也不能解码计算得到的预测值。

来源:机器之心 | 博文链接 | 程序包 | 项目代码

- 教程 -

【课程】斯坦福大学CS330:深度多任务和元学习

本课程主题是深度多任务和元学习,主讲人是斯坦福大学Chelsea Finn,她是斯坦福大学计算机科学与电气工程系的助理教授。她的博士论文——基于梯度的元学习(Learning to Learn with Gradients)很值得一读,该论文系统性地阐述了Meta Learning以及她提出的MAML的方法和相关改进。作者从Meta Learning问题出发,然后提出了MAML理论,再进行一系列基于该理论的应用尝试。尽管深度学习在图像分类、语音识别和游戏等有监督和强化学习问题上取得了显著的成功,但这些模型在很大程度上是专门用于训练它们的单一任务的。本课程将涵盖需要解决多个任务的环境,并研究如何利用多个任务产生的结构来更有效地学习。

来源:斯坦福大学 | 课程网址 | PPT下载链接

【书籍】自动化机器学习:方法,系统与挑战

这本书对自动化机器学习(AutoML)的一般化方法进行了全面的阐述,并且收集了以这些方法为基础的系统的描述和一系列关于自动化机器学习系统领域的挑战。最近,机器学习在商业领域取得的成就和该领域的快速增长对机器学习产生了大量的需求,尤其是可以很容易地使用,并且不需要专家知识的机器学习方法。然而,当前许多表现优异的机器学习方法的大多都依赖人类专家去手动选择适当的机器学习架构以及模型的超参数(深度学习架构或者更加传统的机器学习方法)。为了克服这个问题,AutoML基于优化原理和机器学习本身去逐步实现机器学习的自动化。这本书可以为为研究人员和高年级学生提供一个进入这个快速发展的领域的切入点,同时也为打算在工作中使用AutoML的从业者提供参考。

来源:斯坦福大学 | 书籍网址 | 中文介绍

【书籍】Sklearn,Keras与Tensorflow机器学习实用指南(第二版)

Scikit-Learn,Keras,Tensorflow是机器学习工具链的重要组成部分。本书根据上述三个机器学习工具箱,融汇贯通成一个个机器学习实例,让即使对人工智能了解不多的程序员也可以使用简单高效的工具来实现机器学习任务。本书如要涵盖以下内容:(1)探索机器学习领域,特别是神经网络;(2)使用Scikit-Learn跟踪一个端到端的示例机器学习项目;(3)探索几种训练模型,包括支持向量机、决策树、随机森林和集成方法;(4)使用TensorFlow库来构建和训练神经网络;(5)深入研究神经网络架构,包括卷积网络、递归网络和深度强化学习;(6)学习训练和扩展深度神经网络的技术。

来源:专知 | 下载链接 | 代码链接

【NeurlPS2019教程】微软-强化学习:过去、现在和未来展望

强化学习是学习和决策的系统方法。 经过数十年的开发和研究,强化学习与现代深度学习的最新结合已导致当今强化学习系统功能展示了令人印象深刻的能力,并引起了人们的兴趣和研究活动的爆炸式增长。本教程,帮助了解RL的基础,使代理可以在各种设置中学习极其复杂的行为。 此外,本教程会概述了我们目前研究的进展。 最后,作者对强化学习的未来研究和实际应用机遇进行了展望。

来源:NeurlPS2019 | 原始报道 | PPT下载链接

- 新工具 -

集成图网络模型实现、基准测试,清华推出图表示学习工具包CogDL

近日,清华大学知识工程研究室(KEG)推出了一个大规模图表示学习工具包 CogDL,可以让研究者和开发者更加方便地训练和对比用于节点分类、链路预测以及其他图任务的基准或定制模型。该工具包集成了 Deepwalk、LINE、node2vec、GraRep、NetMF、NetSMF、ProNE 等非图神经网络和 GCN、GAT、GraphSage、DrGCN、NSGCN、GraphSGAN 等图神经网络基准模型的实现。

来源:清华大学知识工程研究室 | 项目页面 | Github链接 | 报道链接

Scikit-learn 新版本发布,新功能详解

Scikit-learn此次发布的版本为0.22。此次版本除了修复之前出现的一些bug,还更新了很多新功能,不得不说更加好用了。本文阐述了新版本相较于之前版本的改进,这些改进主要体现在集成模型、填补缺失值、估计每个特征的重要性、模型评价等方面。

来源:Python中文社区 | 报道链接

英伟达升级发布二代StyleGAN

2018 年底,英伟达借鉴风格迁移的思路,提出当时最先进的无条件生成模型—— StyleGAN ,吸引了大家广泛关注。随后,代码开源,一位 Uber 工程师更是利用此模型设计了网站,轰动一时。自此,对虚假信息生成技术的研究与讨论延续至今。近日,英伟达再次公开最新论文《Analyzing and Improving the Image Quality of StyleGAN》,通过对 StyleGAN 的生成效果分析,对不完美的工作设计了改进和优化方法,提出新一代 StyleGAN,效果更上一层楼,生成图像的质量堪称完美。

来源:英伟达 | 官方复现 | 论文链接 | 报道链接

实时计算框架 Flink 新方向:打造“大数据+AI”未来更多可能

自 Flink 开源以来,越来越多的开发者加入了 Flink 社区。仅仅 2019 年,Flink 在 GitHub 上的 Star 数量翻了一倍,Contributor 数量也呈现出持续增长的态势。而它目前在 GitHub 上的访问量,也位居 Apache 项目中前三,是 Apache 基金会中最为活跃的项目之一。Flink 的主要应用场景还是数据分析,但它面向多个 AI 场景,已经提供了深度学习引擎协同等功能。本文将向大家介绍最近以来Flink的发展趋势,以帮助大家了解其最新的动态。

来源:雷锋网 | Github链接 | 报道链接

- 应用 -

乐高积木智能分拣机问世

乐高现在几乎已经是优质玩具的代名词,该品牌旗下最为知名的,莫过于乐高积木。其丰富的形状与多样的玩法,无论大人小孩都喜欢。但是,这些繁杂多样的零件,分类收纳起来却也是个大难题。一位软件工程师借助 AI 技术,建造了一台乐高分拣机,为广大乐高爱好者带来了福音。

来源:AI科技大本营 | 报道链接

东京大学机器人学会修理自己,可节省大量维修时间

机器人身上开始出现越来越多的仿人关节,这在让它们更灵活的同时,也意味着要铆更多的螺丝钉。这给维护人员增加了不少工作量,必须要花费大量时间去检查和维修,给机器人拧螺丝。东京大学的研究人员 Takayuki Murooka、Kei Okada 和 Masayuki Inaba 意识到了这个问题,经过一系列研究之后,他们教会了机器人自己拧紧螺丝,而且,机器人还顺便学会在自己背上安了一个挂钩,方便人们挂包包。研究团队向机器人输入了 CAD 数据,这样机器人就准确地知道了所有螺丝钉的位置。

来源:DeepTech深科技 | 报道链接

图像分区域合成新方案SEAN,有望实现人脸的“精准整容”

图像合成是近来非常热门的研究领域,世界各地的研究者为这一任务提出了许多不同的框架和算法,只为能合成出更具真实感的图像。阿卜杜拉国王科技大学和卡迪夫大学的研究者近日提出了一种新改进方案 SEAN,能够分区域对合成图像的内容进行控制和编辑(比如只更换眼睛或嘴),同时还能得到更灵活更具真实感的合成结果。有了这个技术,修图换眼睛时不用再担心风格不搭了。

来源:机器之心 | 报道链接

IDLab-MEDIA研究小组用AI破解加水印APP

比利时的电信提供商面向青少年推出一款名叫“.comdom”的安全App,可以为发送的照片加上接收者的信息作为水印,防止私密照片二次传播。但短短几天就被一组研究人员破解了,完美复现原图。这项除水印研究由根特大学Peter Lambert教授的IDLab-MEDIA研究小组的研究人员进行。他们可以很容易地找出应用程序是如何构造水印的。然后,他们将水印本身(以多种形式)应用于随机选取的数千张照片的集合中。最后,在此基础上,训练一个相对简单的人工智能算法(神经网络)来找出加水印的照片与其原始照片之间的关系,之后,这个算法便能够从该App拍摄的照片中去除水印。

来源:新智元 | 报道链接

- 会议 -

ICLR放榜!创纪录2594篇投稿,687篇被接受论文华人学者参与近半

ICLR于12月20日公布录用结果。作为深度学习领域的高水平会议,ICLR 素有深度学习顶会 “无冕之王” 之称。ICLR 2020共收到2594篇论文提交,其中,有687篇被接受,接受率为26.5%。共计48篇Oral、108篇Spotlight和531篇posters。大概有320篇被接受的论文中有华人学者参与,占比47%。

来源:medium | 原始报道 | 中文报道

NeurIPS 2019最全报告:算法最热,arXiv论文接收率高一倍,Rebuttal真能改分

盛大的 NeurIPS 2019 刚刚落幕。今年,NeurIPS 官方总结了大会达投稿情况,并介绍了评审委员会在保证投稿质量、完善投稿机制上的种种探索。与此同时,今年 NeurIPS 官方也提供了演讲视频集,很多研究者分享了他们的参会笔记。本文将回顾 NeurIPS 2019 最为主要的五大模块:论文提交与接收基本情况、限制投稿量的实验、审稿质量统计、官方出品的演讲视频合集,以及一份干货满满的 70 页大会笔记。

来源:medium | 原始报道 | 中文报道 | PDF下载

2020年国际学术会议参考列表(AI/CV/机器人等领域)

本文是2020重要国际学术会议列表,涵盖机器学习、人工智能、计算机视觉、模式识别、自动控制、机器人几大领域,部分未列入表格的会议,或未正式发布会讯,或为两年至三年举办一次,列举了论文提交的DDL和举办时间,供研究者参考。

来源:IJAI | 报道链接

- 竞赛 -

智源“高能对撞粒子分类挑战赛”开启

本次比赛提供粒子碰撞数据集,其中包含对撞中产生的喷注信息(质量、能量、方向等),以及相关的碰撞事件信息和喷注中所包含的粒子信息,要求选手根据喷注的性质(如喷注所含的粒子数、喷注能量、喷注质量、喷注方向),以及喷注中所有粒子的特征(方向、质量、能量等)和对应的碰撞事件,把喷注分成四类中的一类。本次比赛分为简单赛道和复杂赛道,依次进行。简单赛道只要求选手根据喷注属性的数据集进行分类;复杂赛道在此基础上,又加入喷注所含粒子的属性文件和碰撞事件文件,数据的体量和维度剧增,难度也相应加大。简单赛道和复杂赛道的测试集一样,只是提供的数据维度不同。。

来源:北京智源人工智能研究院 | 比赛链接

- 经验 -

李纪为:初入NLP领域的一些小建议

深度算法的风靡会让研究者过度关心这些算法本身,而层出不穷模型结构的调整和改进又让我们眼花撩花。当侃侃而谈深度学习网络结构变成一个很cool的事情时,虚荣心会让大家不约而同地忽略了几个重要点。基于作者多年来曾经走过的弯路,踩过的坑,这篇文章做了一点点小的总结。希望会对刚刚进入NLP领域的同学有所帮助。

来源:知乎 | 报道链接

王韬:微软亚洲研究院实习感受

四个月的实习中,北邮女孩王韬在 mentor 微软亚洲研究院DKI组(数据、知识、智能组)主管研究员周梦宇的指导下,在科研与产品两方面均成果丰硕。她与 mentor 合作的论文已被 AAAI'20 会议接收,参与的技术开发工作也将很快进入微软的核心产品 Excel 之中。本文将介绍她四个月在MSRA的所见所得。

来源:微软研究院AI头条 | 报道链接

- 求职 -

2020最热门工作岗位预测:人工智能、机器人工程师与数据科学家荣登Linkedin报告新兴职业前三

全球知名职场社交平台Linkedin发布了《2020年新兴职业报告》,该报告显示,在美国15大新兴职业中,人工智能专家(Artificial Intelligence Specialist)的招聘数在过去4年中年增长率为74%,位居首位。其它14个新兴职业分别是:机器人工程师(Robotics Engineer)、数据科学家(Data Scientist)、全栈工程师(Full Stack Engineer)、网站可靠性工程师(Site Reliability Engineer)、 客户成功工程师(Customer Success Specialist)、销售开发代表(Sales Development Representative)、数据工程师(Data Engineer)、行为健康技术员(Behavioral Health Technician)、网络安全专家(Cybersecurity Specialist)、后端开发工程师(Back End Developer)、首席营收官(Chief Revenue Officer)、云工程师(Cloud Engineer)、JavaScript开发员(JavaScript Developer)、产品负责人(Product Owner),并对这些职业进行了介绍。

来源:新智元 | PDF下载 | 报道链接

- 趣闻 -

 

阁下可知文言编程之精妙?CMU本科生开源文言文编程语言,数天2K stars

“昔者苍颉作书,而天雨粟,鬼夜哭”,汉字的出现,诞生了世界上一个伟大的文明。而编程语言的出现,让人类和计算机产生了真正的联系,推动了现代文明的发展。那么,将古代汉语和编程语言结合又会产生怎样的火花?最近,GitHub 上出现了一个文言文做代码的项目,几乎是世界上第一门文言文编程语言(当然,底层还是转换成 Python 或 JavaScript 运行)。

来源:机器之心 | Github链接 | 报道链接

以上是《智源社区AI周刊》第2期的内容,智源研究院编辑团队将本着“提供真正内行的AI资讯”的目标,不断优化和完善我们的内容服务,各位读者们如有批评意见,或者好的建议,请不吝赐教发至:editor@baai.ac.cn。谢谢大家。

特约编辑:刘布楼 常政 王炜强 刘沂喆

所有文章
×

还剩一步!

确认邮件已发至你的邮箱。 请点击邮件中的确认链接,完成订阅。

好的