最新机器学习开源项目Top10

2018 年 11 月 19 日 AI100

作者 | Mybridge

译者 | Linstancy

整理 | Jane

出品 | AI科技大本营

【导读】过去一个月里，我们对近 1400 个机器学习项目进行了排名，并挑选出热度前 10 的项目。这份清单涵盖了包括 OpenAI 最新开发的 RND 算法、Uber 构建的第一个自然语言处理平台、由 Berkeley 研究人员提出的从视频内容中进行学习的 Acrobatics 框架、可以与 Amazon 的Echo 设备交互的 Anatomy 系统等。希望大家可以找到自己感兴趣的项目。

▌1：RND

OpenAI 最近开发了 RND（ Random Network Distillation），一种基于预测的强化学习算法，用于鼓励强化学习代理通过好奇心来探索他们所处环境。在游戏任务 Montezuma's Revenge 上首次超过人类的平均表现。

RND 通过衡量预测状态下随机神经网络固定输出的难度来激励代理访问不熟悉的状态。由于在不熟悉的状态下，输出很难预测，因此奖励被设置的很高。在这项任务中，RND 能够定期查找所有 24 个房间，并在不使用演示或访问游戏的基本状态情况下实现当前最先进的表现。此外，它易于实现且能够高效扩展，能够用于其他任何的强化学习算法。更多详细信息，大家可以参见 RND 论文，参考并重现论文的结果。

论文链接

https://arxiv.org/abs/1810.12894

项目主页链接：

https://blog.openai.com/reinforcement-learning-with-prediction-based-rewards/?utm_source=mybridge&utm_medium=blog&utm_campaign=read_more

▌2：Anatomy

Anatomy of AI System Geospatial 是一个可以与 Amazon Echo 设备交互的应用。通过此应用我们能够对单个 AI 系统进行详细的解剖，了解其中资源分配，预测，网络优化等模块之间的关系。

项目主页链接：

https://anatomyof.ai/?utm_source=mybridge&utm_medium=blog&utm_campaign=read_more

▌3：Acrobatics

Learning Acrobatics by Watching Youtube 是 Berkeley 研究人员提出的一种可以从视频中学习技能的框架。通过结合计算机视觉和强化学习方面的最先进技术，此系统能够基于视频剪辑数据，模拟角色并从中学习各种技能。给定人物正在执行某些技能的视频，如侧空翻或后空翻，该系统能够学习模拟并再现这些技能策略，而无需任何手动姿势注释。更多详细信息可以参见相关论文及项目主页。

论文链接：

https://xbpeng.github.io/projects/SFV/2018_TOG_SFV.pdf

项目主页链接：

https://bair.berkeley.edu/blog/2018/10/09/sfv/?utm_source=mybridge&utm_medium=blog&utm_campaign=read_more

▌4：Model-based Machine Learning

Model-based Machine Learning 是一个应用机器学习来解决现实世界问题的开源教程，目前该书籍仍在更新阶段。

项目主页链接：

http://mbmlbook.com/toc.html?utm_source=mybridge&utm_medium=blog&utm_campaign=read_more

▌5：NLP & Deep Learning

NLP & Deep Learning 是由 Uber 团队构建的一个自然语言平台（NLP），用于在票证文本中查找与地图数据相关的问题，并在此平台指定触发故障单的特定类型的地图数据，以便相应的高精地图团队能够评估问题并确定解决方案。

项目主页链接：

https://eng.uber.com/nlp-deep-learning-uber-maps/

▌6：Neural Network

该项目是基于 Numpy 实现一个神经网络的过程。现在通过使用像 Keras，TensorFlow 或 PyTorch 这样的高级框架，我们可以快速构建非常复杂的神经网络模型。但是，对于神经网络的基本概念及其内部的原理结构，仍然值得我们去深入了解。因此这个项目将尝试利用数学的理论知识，仅使用 NumPy 构建一个完全可操作的神经网络。在项目的最后，还将测试我们所构建的模型，用其解决一个简单的分类问题，并将其性能与使用 Keras 构建的神经网络模型性能进行比较，更多信息可以访问项目的主页。

项目主页链接：

https://towardsdatascience.com/lets-code-a-neural-network-in-plain-numpy-ae7e74410795

▌7：Curiosity and Procrastination in RL

该是个项目是 Google Brain、DeepMind 团队和 ETHZ 研究人员合共同作的结成果他旨在探索 curiosity 和 procrastination 策略在强化学习 (RL) 领域的应用。们提出一种新的机遇情景记忆的模型，它可以提供一种类似于好奇心（curiosity）的RL奖励，，用于智能体来探索环境。由于智能体不仅要探索新的环境，而且还要解决原始任务，因此该模型将所提供的奖励添加到原始的稀疏任务奖励中。因此，合并后的奖励不再稀疏，这使得标准RL 算法可以从中学习，而这种基于 curiosity 的 RL 算法可以扩展到其他任务的数据集中。更多信息可以查看 Google AI Blog 上的相关内容。