AI大事件丨Paige.ai斥資將機器學習帶入癌症病理學

大數據文摘作品

作者:Aileen

嗚啦啦啦啦啦大家好呀,又到了本周的AI大事件時間了。過去的一周中AI圈都發生了什麼?大佬們互撕了哪些問題?研究者們發布了哪些值得一讀的論文?又有哪些開源的代碼和資料庫可以使用了?文摘菌帶你盤點過去一周AI大事件!

新聞

人工智慧和深度學習的局限性

來源:

WWW.WIRED.COM

鏈接:

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

深度學習的進步是模式識別的產物:神經網路記住事物的類別,並在下次遇到它們時,或多或少地能夠可靠地識別它們。但是大多數有趣的問題根本不是分類問題。

Advertisements

Lightmatter目標通過光子計算和1100萬美元的資金重新發明人工智慧晶元

來源:

TECHCRUNCH.COM

鏈接:

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

Lightmatter是一家創建光子晶元的公司,它主要以光速進行計算。它直接與GPU製造商和定製的深度學習晶元競爭。

Paige.ai斥資2500萬美元將機器學習帶入癌症病理學

來源:

TECHCRUNCH.COM

鏈接:

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

Advertisements

Paige.ai病理學AI引導,已經在A輪融資中獲得了2500萬美元,用於構建一個幫助理解癌症病理的系統。它擁有2500萬份病理幻燈片以及與計算病理相關的知識產權。

文章&教程

熵,交叉熵和KL-散度簡介

來源:

YOUTU.BE

鏈接:

https://youtu.be/ErfnhcEV1O8

熵,交叉熵和KL-散度經常用於機器學習,特別是用於訓練分類器。在這個簡短的視頻中,您將了解他們來自哪裡以及我們為什麼在ML中使用它們。

IMPALA:DMLab-30中的可擴展分散式深度RL

來源:

DEEPMIND.COM

鏈接:

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

Deep Reinforcement Learning在一系列任務中取得了顯著成功,從機器人技術的連續控制問題到圍棋和Atari等遊戲。迄今為止,在這些領域所取得的進展僅限於個別任務,其中為每項任務調整和培訓了獨立的代理。在這項工作中,研究人員探索在培訓同一代理完成多個任務上挑戰。

發現實體消歧的類型(OpenAI)

來源:

BLOG.OPENAI.COM

鏈接:

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

通過讓神經網路決定該單詞是否屬於大約100個自動出現的「類型」的一個的系統,用於自動計算出單詞指的是哪個對象。

學習與強化學習交流入門

來源:

WWW.WILDML.COM

鏈接:

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

深度學習學術研究界在很大程度上離金融市場比較遠。在這篇文章中,我認為培訓強化學習代理在金融和加密貨幣市場進行交易可能是一個非常有趣的研究問題。

代碼,項目&數據

Line:解釋任何機器學習分類器的預測

來源:

GITHUB.COM

鏈接:

https://github.com/marcotcr/lime

這個項目是關於解釋機器學習模型在做什麼。它目前支持解釋對錶格或圖像起作用的文本分類器和分類器的單獨預測。

視頻鏈接:

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

DMLab-30環境

來源:

GITHUB.COM

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

DMLab-30是為DeepMind Lab設計的一組環境。這些環境使研究人員能夠單獨或在多任務設置中為大量有趣的任務開發代理。目前已發布28個級別。

在Google表格中構建深度神經網路

來源:

TOWARDSDATASCIENCE.COM

鏈接:

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

在Google表格中實現卷積神經網路。網路將手寫數字分類,直觀了解CNN過濾器如何工作的好方法。

TensorFlow 1.6.0(RC0)發布

來源:

GITHUB.COM

鏈接:

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

新功能包括從Estimators中導出已刪除的SavedModels,並將新增的FFT支持添加到XLA CPU / GPU中。

Advertisements

你可能會喜歡