本次推薦的系列文章涉及：游戲人工智能、機械手操縱、舞蹈、機器翻譯新突破、行人計數器、神經網絡內部數學原理、神經算術、TensorFlow、AlphaGo Zero 算法、Uber 客服系統。

▌1.游戲人工智能入門指南

該文章介紹了游戲人工智能中的常見概念，它們在開發過程中的作用，以及如何上手進行實際操作。作者通過一個簡單的小游戲 Pong 展示了游戲開發中的人工智能，文中所用的代碼示例大多為偽代碼，所以沒有特定的編程語言限制。內容大致分為以下幾個方面：

什么是游戲人工智能

游戲人工智能中的約束

基本決策與高級決策

運動與導航

制定計劃

學習與自適應

知識表示

閱讀鏈接：

https://www.gamedev.net/articles/programming/artificial-intelligence/the-total-beginners-guide-to-game-ai-r4942?utm_source=mybridge&utm_medium=blog&utm_campaign=read_more

▌2.基于強化學習的靈巧操作：高效、高適應性、低耗

該文章介紹了如何通過深度強化學習來控制靈巧手的多種操作任務，這種方法使用了低耗硬件，運行更加高效，而且引入了示范和模擬來加速學習進程，有助于提高靈巧手的適應性。同時，在實際訓練過程中還面臨許多問題和挑戰，如機械手容易迅速發燙、強化學習所需的反饋需要手動完成等問題。

閱讀鏈接：

https://bair.berkeley.edu/blog/2018/08/31/dexterous-manip/?utm_source=mybridge&utm_medium=blog&utm_campaign=read_more

▌3. “跟我一起做” —— 動作遷移的實現方法

該論文介紹了一種實現動作遷移的方法，給定一個人跳舞的源視頻，我們可以將舞蹈動作遷移到另一個動作不同的目標體上。該團隊將其看作一個逐幀進行圖對圖遷移的問題，將動作檢測作為源和目標之間的中間語言，學習了從動作圖像到目標對象表現的映射，并最終生成視頻。

閱讀鏈接：

https://bair.berkeley.edu/blog/2018/08/31/dexterous-manip/?utm_source=mybridge&utm_medium=blog&utm_campaign=read_more

論文鏈接：

https://arxiv.org/abs/1808.07371

視頻鏈接：

https://www.youtube.com/watch?v=PCBTZh41Ris&feature=youtu.be

▌4.無監督機器翻譯：面向多種語言，更快速，更精準

自動翻譯功能對 Facebook 來說至關重要，因為用戶要選擇自己所需的語言進行溝通和交流。該團隊在 2018 EMNLP 大會上介紹了有關無監督翻譯的工作內容，將此前最先進的無監督方法進行了優化，在對許多小語種的翻譯上取得了顯著效果，同時為世界上大多數語言提供了更快速、準確的翻譯。文章為讀者展示了新方法的思路和原理，并給出了未來進一步優化的方向。

閱讀鏈接：

https://code.fb.com/ai-research/unsupervised-machine-translation-a-novel-approach-to-provide-fast-accurate-translations-for-more-languages/?utm_source=mybridge&utm_medium=blog&utm_campaign=read_more

▌5.利用 OpenCV 建立行人計數器

基于 OpenCV 的行人計數器始終是 PyImageSearch 上的熱門話題，該文章介紹了如何用 OpenCV 和 Python 建立行人計數器，即實時記錄進入和離開一家門店的人數。文章內容包括以下幾個部分：

列出所需的 Python 庫

介紹項目的大致結構

講解物體檢測算法的原理

創建可追蹤的對象

基于 OpenCV 和 Python 創建計數器

加載視頻，進行測試

閱讀鏈接：

https://www.pyimagesearch.com/2018/08/13/opencv-people-counter?utm_source=mybridge&utm_medium=blog&utm_campaign=read_more

▌6.探索深度網絡內部的數學原理

如今我們在深度學習過程中，只需直接引入一些庫，編寫數行代碼，無需擔心權重矩陣也不必決定使用哪些激活函數，但了解神經網絡的內部原理有助于結構選擇，參數調試和后續的優化。該文章為我們講述了隱藏在神經網絡內部的數學原理，分別從神經元、神經層、矢量化、激活函數、損失函數、后向傳播算法幾個方面進行了詳細解讀。

閱讀鏈接：

https://towardsdatascience.com/https-medium-com-piotr-skalski92-deep-dive-into-deep-networks-math-17660bc376ba

▌7.神經算術邏輯單元

神經網絡可以學習如何表征和操縱數字信息，但遇到訓練過程中未見過的數據會表現不佳。該論文提出了一種由神經算術邏輯單元 (Neural Arithmetic Logic Units, NALU) 加強的神經網絡，這種網絡可以追蹤時間，基于圖像數量執行計算，將數字語言轉化為數值標量，執行計算代碼，并對圖像中的物體進行計數。

閱讀鏈接：

https://arxiv.org/abs/1808.00508?utm_source=mybridge&utm_medium=blog&utm_campaign=read_more

▌8.關于 TensorFlow 你必須知道的9件事

該文章的作者是 Google 的首席決策工程師 Cassie Kozyrkov，她在文章中總結分享了關于 TensorFlow 的 9 個重要特性，如便捷的神經網絡創建方式、適用于多種語言、專用的硬件設備、新型數據流等等。

閱讀鏈接：

https://hackernoon.com/9-things-you-should-know-about-tensorflow-9cf0a05e4995

▌9.DeepMind 阿爾法狗 Zero 詳解

這是一段介紹阿爾法狗 Zero 算法的視頻，該算法是由 DeepMind 公司開發的，它通過自我訓練打敗了世界上最好的圍棋職業選手。在訓練過程中，阿爾法狗反復地與自己進行對戰，在沒有人類玩家策略輸入的情況下，取得了越來越好的效果。這段視頻還用代碼和動畫相結合的方式，展示了算法中用到的神經網絡的內部組成。

視頻鏈接：

https://www.youtube.com/watch?v=UzYeqAJ2bA8

代碼鏈接：

https://github.com/Zeta36/chess-alpha-zero

▌10.基于深度學習的升級版 Uber COTA 客服系統

今年年初，Uber 推出了基于 NLP 和機器學習構建的 COTA 客服系統。利用該系統，Uber 可以快速高效地解決 90％ 以上的客服問題。COTA v1 系統對 Uber 來說只是一個開始，Uber 團隊利用深度學習對該系統進行了進一步升級，提升了模型性能，提高了事件處理速度和用戶滿意度，COTA v2 系統誕生了。該文章為我們詳細介紹了升級版 COTA 系統模型的內部原理，以及實際部署過程中遇到的困難。

閱讀鏈接：https://eng.uber.com/cota-v2/

原文鏈接：

https://medium.mybridge.co/machine-learning-top-10-articles-for-the-past-month-v-sep-2018-ccd976f6544f