摘要：想要獲取最專業(yè)的卷積神經(jīng)網(wǎng)絡(luò)知識原文地址三深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)概述近兩年，深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)在物體識別和機器學(xué)習(xí)領(lǐng)域的各項競賽中屢獲佳績。

去年，阿法狗（AlphaGo）在圍棋領(lǐng)域首次戰(zhàn)勝了人類的世界冠軍，深度學(xué)習(xí)開始成為人們交口議論的話題，而就在今天，他的弟弟阿法元只靠一副棋盤和黑白兩子，從零開始，自娛自樂，自己參悟，100-0 打敗哥哥阿法狗，這無疑將深度學(xué)習(xí)推向了更高點。

關(guān)于深度學(xué)習(xí)，技術(shù)人最關(guān)心的話題就是如何進行了解與學(xué)習(xí)，而大家都知道要成為特定領(lǐng)域的大師必須經(jīng)過「一萬小時」，但是今天小編很負責(zé)任地告訴你，不需要！

「NewTech 觀察圈」的成員—— 百度算法工程師 Roy 特別整理了史上最全的深度學(xué)習(xí)資源索引，包括論文，慕課，開源框架，數(shù)據(jù)集等等，以下是精選部分。

長期以來，人工智能的目標就是要實現(xiàn)一種能夠自主學(xué)習(xí)，再放空，最終實現(xiàn)超越人類的算法。這兩年，AlphaGo 成為了第一個戰(zhàn)勝人類圍棋世界冠軍的項目。AlphaGo 中的樹形檢索算法運用深層神經(jīng)網(wǎng)絡(luò)評估每一步落子的位置，并計算出破解之道。有了這些神經(jīng)網(wǎng)絡(luò)系統(tǒng)，我們就能利用人類圍棋大師的套路對計算機進行訓(xùn)練，并使其通過與自己對弈得到強化。本文中，我們講介紹一種全新的僅需要自我強化深度學(xué)習(xí)算法，從而使得計算機在訓(xùn)練時不需要借助人類對弈數(shù)據(jù)和人為指導(dǎo)修正。AlphaGo 成為了她自己的老師：我們通過訓(xùn)練神經(jīng)網(wǎng)絡(luò)，使其能夠預(yù)測 AlphaGo 自身的落子，并戰(zhàn)勝現(xiàn)有的 AlphaGo。這種神經(jīng)網(wǎng)絡(luò)大幅提高了樹形檢索算法的效率，使其在下一次迭代中能獲得更高的棋力以及更強大的自我訓(xùn)練水平。由于加入了 tabula rasa 的放空環(huán)節(jié)，全新的 AlphaGo Zero 獲得了全面壓倒人類的能力，先前戰(zhàn)勝人類冠軍的 AlphaGo 版本，在 AlphaGo Zero 面前連敗 100 局。

原文地址：https://www.nature.com/nature...

我們?yōu)槟銣蕚淞怂固垢４髮W(xué) 2017 年最新的有關(guān)計算機視覺課程，包含完整的課程錄像和課件 PDF 下載。想要獲取最專業(yè)的卷積神經(jīng)網(wǎng)絡(luò)知識？

原文地址：http://vision.stanford.edu/te...

近兩年，深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)在物體識別和機器學(xué)習(xí)領(lǐng)域的各項競賽中屢獲佳績。這篇歷史綜述詳細地總結(jié)了過去的一千年中人們對于相關(guān)領(lǐng)域的研究。從古至今，有許多人投身于這項研究之中，而只有其中一部分人所做的具有一定的深度。而判定這些調(diào)查是否具有深度的一個標準就是他們的信用分配路徑的深度，這些路徑是鏈接現(xiàn)象和效果之間的重要關(guān)聯(lián)。作者在本文中為大家復(fù)盤了深度監(jiān)督學(xué)習(xí)、無監(jiān)督學(xué)習(xí)、強化式學(xué)習(xí)和進化算法，以及一些間接關(guān)于大型深度學(xué)習(xí)網(wǎng)絡(luò)的調(diào)研。

原文地址：https://arxiv.org/pdf/1404.78...

與那些傳統(tǒng)的實現(xiàn)途徑相比，同時使用 RNN 和 LSTMs 僅需要極少量的特征標注工程，甚至可以完全放棄。大量數(shù)據(jù)能直接被倒入深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)，而神經(jīng)網(wǎng)絡(luò)則會正確地規(guī)范這些問題，就黑匣子一樣。與之相比，其它關(guān)于行為識別數(shù)據(jù)集的研究需要大量的特征標注，這更像是一個信號處理流程加上傳統(tǒng)數(shù)據(jù)科學(xué)技術(shù)。而使用了 LSTMs 就會讓一切變得簡單。

原文地址：https://github.com/guillaume-...

看了這么多技術(shù)干貨，是時候?qū)嵺`一次了。我們?yōu)槟銣蕚淞艘粋€多達八千萬張圖片的數(shù)據(jù)集，希望能對你的研究有所幫助。

原文地址：http://groups.csail.mit.edu/v...

如果文章內(nèi)容讓你受益匪淺，請動動手指為作者點贊，獲得最多點贊數(shù)的作者，將在每期結(jié)束入選「NewTech 觀察圈元老會」。

－－－－－
想要成為技術(shù)大牛？歡迎添加 微信：pr836733262 勾搭牛小七，拉你進群交流，和大牛共話 AI。