2018 年 AI 和机器学习领域最值得收藏的 12 篇文章

AI 前线导读:

刚刚过去的一年里,有哪些值得一读的人工智能和机器学习的文章呢?Daniel Smith 为我们带来了他们整理的自己最喜欢的 12 篇关于人工智能和机器学习的文章,干货满满!

更多优质内容请关注微信公众号“AI 前线”(ID:ai-front)

对人工智能新闻业来说,2018 年可谓一个丰收年。虽然对于整个人工智能领域来说,这究竟是一种助力还是一种阻碍,还有待商榷,但毫无疑问的是,人工智能生态系统是一个值得探索的、无穷无尽的迷人主题。无论你是喜欢技术上的深度潜水,还是更为随意的想法,炒作中都隐藏着一些宝石。

我们已经回顾了 2018 年我们自己所发的文章《Gengo’s 5 most popular AI blog posts of 2018》( https://gengo.ai/articles/gengo-popular-ai-blog-posts-2018/ ),但我们也花了一些时间来回顾网上的文章,这些文章让我们在今年里一直保持关注。这些内容涵盖了从人工智能在电视游戏方面的进展到精神病学的算法。我们整理了过去一年来,我们最喜欢的 12 篇关于人工智能和机器学习的文章。

1. Stop Feeding Garbage to your Model: The 6 Biggest Mistakes with Datasets and How to Avoid Them

Hacker Noon:《停止向模型馈送垃圾:数据集的六个最大错误及如何避免》

从低质量到不平衡的类,有太多的因素会阻碍你的数据集成为最好的数据集。作者 Julien Despois 在文中提出的建议,指出了如何将数据集变得更好的途径。

文章链接:

https://hackernoon.com/stop-feeding-garbage-to-your-model-the-6-biggest-mistakes-with-datasets-and-how-to-avoid-them-3cb7532ad3b7

2. The Most Important Skills for a Data Scientist

semanti.ca :《数据科学家最重要的技能》

在 Reddit 年度机器学习的顶级文章之一中, semanti.ca 汇总了这份不错的清单,列出了作为数据科学家,在 2019 年继续发展所需的所有技能。

文章链接:

https://semanti.ca/blog/?the-most-important-skills-for-a-data-scientist

3. How Teaching AI to be Curious Helps Machines Learn for Themselves

The Verge:《如何教会人工智能变得好奇,助力机器自我学习》

有些游戏,对机器来说比其他游戏更难打败。James Vincent 探索了一种方法,该方法在击败 Montezuma’s Revenge(译注:一种祖玛游戏),其局限性以及为改进它所做的工作,证明了比强化学习更有效。

文章链接:

https://www.theverge.com/2018/11/1/18051196/ai-artificial-intelligence-curiosity-openai-montezumas-revenge-noisy-tv-problem

4. AI Keeps Mastering Games, But Can It Win in the Real World?

The Atlantic:《人工智能一直在掌控游戏,但它能在现实世界中获胜否?》

众所周知,像 AlphaGo 这样的机器学习模型可以在超人类的水平上赢取棋盘游戏。The Atlantic(《大西洋月刊》)的这篇文章深入探讨了我们从构建机器到掌控这些环境所学到的东西,以及我们在将这些知识应用到现实世界中所面临的挑战。

文章链接:

https://www.theatlantic.com/technology/archive/2018/02/ai-keeps-mastering-games-but-can-it-win-in-the-real-world/554312/

5. Through All the Hype, Self-Driving Cars Remain Elusive

The New York Times:《尽管大肆宣传,自动驾驶汽车仍然遥遥无期》

鉴于公众对自动驾驶汽车的愤怒,平衡期望和现实可能是一项困难的任务。The New York Times(《纽约时报》)的这篇文章在以一种有节制的方式应对炒作方面做得很好,分析了一些新的潜在玩家利用人们的驾驶方式即将发生的改变。

6. AI Has Started Cleaning Up Facebook, but Can It Finish?

Wired:《人工智能已开始清理 Facebook,但它能完成吗?》

2018 年对 Facebook 来说是艰难的一年。在几起重大丑闻的冲击下,在平台上加强内容审查的必要性变得更加强烈。Wired(《连线杂志》)的这篇文章探讨了目前处理 Facebook 内容审查的算法和人机回圈(human-in-the-loop)系统,然后详细描述了他们在试图防止平台滥用方面面临的问题。

文章链接:

https://www.wired.com/story/ai-has-started-cleaning-facebook-can-it-finish/

7. How Cheap Labor Drives China’s A.I. Ambitions

The New York Times:《廉价劳动力如何推动中国人工智能野心》

Li Yuan 介绍了中国新装配线背后的工人和企业主,大量生产的标注数据推动了中国蓬勃发展的人工智能行业。

文章链接:

https://www.nytimes.com/2018/11/25/business/china-artificial-intelligence-labeling.html

8. AI as Talent Scout: Unorthodox Hires, and Maybe Lower Pay

San Francisco Chronicle:《人工智能作为人才星探:非正统的雇员,也许薪水更低》

在一篇关于招聘的有趣文章中,探讨了人工智能是如何被用来填补劳动市场紧张的职位空缺,如数据科学;以及它对未来招聘人员寻找人才的方式的潜在影响。

文章链接:

https://www.sfchronicle.com/business/article/AI-as-talent-scout-unorthodox-hires-and-maybe-13450640.php

9. Can We Trust AI if We Don’t Know How it Works?

BBC:《如果不知道人工智能是如何工作的,我们还能信任它吗?》

BBC 这篇文章揭开了神经网络的面纱,揭示了神经网络背后的数以百万计的参数,以及它们对那些秉承价值观高于一切的社会各界意味着什么。

文章链接:

https://www.bbc.com/news/business-44466213

10. Unbiased Algorithms can Still Be Problematic

TechCrunch:《无偏算法仍存在问题》

人工智能记者已经多次讨论过人类偏见对算法的影响。然而,这篇文章认为,即使我们改进训练数据,这些问题并不会轻易消失。通过与几位专家的讨论,Megan Rose Dickey 研究了其中的一些问题,以及为什么这些问题如此难以解决。

文章链接:

https://techcrunch.com/2018/09/30/unbiased-algorithms-can-still-be-problematic/

11. Are you Scared Yet? Meet Norman, the Psychopathic AI

BBC:《你害怕了吗?遇见 Norman,变态的人工智能》

通过令人不安的墨迹测验,该文章阐述了有缺陷数据的潜在严重后果。Norman 对图片令人震惊的解释,表明了训练数据的质量与创建的模型构成之间牢不可破的联系。

文章链接:

https://www.bbc.com/news/technology-44040008

12. The Spooky Genius of Artificial Intelligence

The Atlantic:《人工智能的幽灵天才》

Derek Thompson 这篇文章探讨了什么是智能的含义,利用人工智能和自然界之间的相似之处来挑战传统的机器学习的局限性。

文章链接:

https://www.theatlantic.com/ideas/archive/2018/09/can-artificial-intelligence-be-smarter-than-a-human-being/571498/

原文链接:

https://gengo.ai/articles/12-best-ai-and-machine-learning-articles-of-2018/

我来评几句
登录后评论

已发表评论数()

相关站点

+订阅
热门文章