AI大事件丨Paige.ai斥资将机器学习带入癌症病理学，TensorFlow 1.6.0（RC0）发布

大数据文摘作品

作者：Aileen

呜啦啦啦啦啦大家好呀，又到了本周的AI大事件时间了。过去的一周中AI圈都发生了什么？大佬们互撕了哪些问题？研究者们发布了哪些值得一读的论文？又有哪些开源的代码和数据库可以使用了？文摘菌带你盘点过去一周AI大事件！

新闻

人工智能和深度学习的局限性

来源：

WWW.WIRED.COM

链接：

https://www.wired.com/story/greedy-brittle-opaque-and-shallow-the-downsides-to-deep-learning

深度学习的进步是模式识别的产物：神经网络记住事物的类别，并在下次遇到它们时，或多或少地能够可靠地识别它们。但是大多数有趣的问题根本不是分类问题。

Lightmatter目标通过光子计算和1100万美元的资金重新发明人工智能芯片

来源：

TECHCRUNCH.COM

链接：

https://techcrunch.com/2018/02/05/lightmatter-aims-to-reinvent-ai-specific-chips-with-photonic-computing-and-11m-in-funding/

Lightmatter是一家创建光子芯片的公司，它主要以光速进行计算。它直接与GPU制造商和定制的深度学习芯片竞争。

Paige.ai斥资2500万美元将机器学习带入癌症病理学

来源：

TECHCRUNCH.COM

链接：

https://techcrunch.com/2018/02/05/paige-ai-nabs-25m-inks-ip-deal-with-sloan-kettering-to-bring-machine-learning-to-cancer-pathology/

Paige.ai病理学AI引导，已经在A轮融资中获得了2500万美元，用于构建一个帮助理解癌症病理的系统。它拥有2500万份病理幻灯片以及与计算病理相关的知识产权。

文章&教程

熵，交叉熵和KL-散度简介

来源：

YOUTU.BE

链接：

https://youtu.be/ErfnhcEV1O8

熵，交叉熵和KL-散度经常用于机器学习，特别是用于训练分类器。在这个简短的视频中，您将了解他们来自哪里以及我们为什么在ML中使用它们。

IMPALA：DMLab-30中的可扩展分布式深度RL

来源：

DEEPMIND.COM

链接：

https://deepmind.com/blog/impala-scalable-distributed-deeprl-dmlab-30/

Deep Reinforcement Learning在一系列任务中取得了显著成功，从机器人技术的连续控制问题到围棋和Atari等游戏。迄今为止，在这些领域所取得的进展仅限于个别任务，其中为每项任务调整和培训了独立的代理。在这项工作中，研究人员探索在培训同一代理完成多个任务上挑战。

发现实体消歧的类型（OpenAI）

来源：

BLOG.OPENAI.COM

链接：

https://blog.openai.com/discovering-types-for-entity-disambiguation/

通过让神经网络决定该单词是否属于大约100个自动出现的“类型”的一个的系统，用于自动计算出单词指的是哪个对象。

学习与强化学习交流入门

来源：

WWW.WILDML.COM

链接：

http://www.wildml.com/2018/02/introduction-to-learning-to-trade-with-reinforcement-learning/

深度学习学术研究界在很大程度上离金融市场比较远。在这篇文章中，我认为培训强化学习代理在金融和加密货币市场进行交易可能是一个非常有趣的研究问题。

代码，项目&数据

Line：解释任何机器学习分类器的预测

来源：

GITHUB.COM

链接：

https://github.com/marcotcr/lime

这个项目是关于解释机器学习模型在做什么。它目前支持解释对表格或图像起作用的文本分类器和分类器的单独预测。

视频链接：

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

DMLab-30环境

来源：

GITHUB.COM

链接：https://github.com/deepmind/lab/tree/mater/game_scripts/levels/contributed/dmlab30

DMLab-30是为DeepMind Lab设计的一组环境。这些环境使研究人员能够单独或在多任务设置中为大量有趣的任务开发代理。目前已发布28个级别。

在Google表格中构建深度神经网络

来源：

TOWARDSDATASCIENCE.COM

链接：

https://towardsdatascience.com/building-a-deep-neural-net-in-google-sheets-49cdaf466da0

在Google表格中实现卷积神经网络。网络将手写数字分类,直观了解CNN过滤器如何工作的好方法。

TensorFlow 1.6.0（RC0）发布

来源：

GITHUB.COM

链接：

https://github.com/tensorflow/tensorflow/releases/tag/v1.6.0-rc0

新功能包括从Estimators中导出已删除的SavedModels，并将新增的FFT支持添加到XLA CPU / GPU中。