桌上的日历只剩下最后几页，一年又这样步入了尾声。在这特殊的一年，我们经历了太多太多，这些好事坏事终将成为过往。译站都更新了哪些关于 AI 的有趣文章呢？
在此之际，为大家奉上 2020 年度译文榜单：
3. Twitter团队最新研究:快速高效的可扩展图神经网络SIGN
5. 重磅 | 对比了2000台笔电后，Towards AI 选出了最适合搞机器学习、数据科学和深度学习的笔记本电脑！
8. 告别RNN，迎接TCN
10. 最强通用棋类AI，AlphaZero强化学习算法解读
11. 强化学习算法DeepCube，机器自行解决复杂魔方问题
12. 2020 年 4 个最值得推荐的 VS Code 插件
14. 微型机器学习：下一次AI革命
15. 深度学习未来发展的三种学习范式：混合学习、成分学习和简化学习
16. 数学之美：贝叶斯优化
译者：季一帆、Champagne Jin
内容摘要：ECCV 2020 堪称“史上最难ECCV”，有效投稿5025，一共有1361篇论文入选，录取率仅为27%。其中 Oral 104篇，Spotlight 161篇，Poster 1096篇。 包括了曾引起广泛影响的Facebook新式目标检测算法 End-to-End Object Detection with Transformers （DETR ）为Oral。为了让读者可以从中了解会议总体趋势。因此，本文会对这次会议进行概括，并列出一些作者自己觉得有趣、重要的论文。
内容摘要：今年的国际自然语言处理领域顶级学术会议“国际计算语言学协会年会”（ACL 2020）共收到 3429 篇投稿论文，投稿数量创下新高。论文有从基础任务到高级任务发展的趋势，收到交稿量最多的方向分别是通过机器学习处理自然语言，对话和交互系统，机器翻译，信息提取和自然语言处理的应用及生成。作者将根据本次参与会议的心得体会，在本文中讨论行业总体趋势。
3. Twitter团队最新研究:快速高效的可扩展图神经网络SIGN
内容摘要：迄今为止，阻碍图神经网络在行业应用中被广泛采用的挑战之一是难以将其缩放到大型图（例如Twitter跟随图）。 节点之间的相互依赖性使损失函数分解成单个节点的贡献具有挑战性。 在这篇文章中，我们描述了Twitter开发的一种简单的图神经网络架构，该架构可以处理大量的图。
译者：季一帆
内容摘要：机器学习和深度学习是建立在数学概念之上的，掌握理解数学知识对于算法构建和数据处理有极大帮助。线性代数的研究包括向量及其操作。在机器学习中，各处可见线性代数的背影，如线性回归，独热编码，主成分分析PCA，推荐系统中的矩阵分解。深度学习更甚，其完全基于线性代数和微积分。梯度下降，随机梯度下降等优化方法也建立在此之上。
5. 重磅 | 对比了2000台笔电后，Towards AI 选出了最适合搞机器学习、数据科学和深度学习的笔记本电脑！
内容摘要：过去一年中，Towards AI的编辑团队研究了2,000多台笔记本电脑，并选择了他们认为适合机器学习，数据科学和深度学习的最佳笔记本电脑。如果您正在寻找好的设备，那么这里是您的正确选择！
内容摘要：GCN是一种卷积神经网络，它可以直接在图上工作，并利用图的结构信息。 GCN的基本思路：对于每个子系统，我们从它的所有邻居例程处获取其特征信息，当然也包括它自身的特征。在本文中，我们先直观的了解一下它的工作原理，然后再深入了解它背后的数学原理。
内容摘要：你也许通过Coursera在线课程就能获得某些人工智能领域的知识，但在实际应用中培养对这些概念的深层理解更为重要。本文旨在为四年制人工智能本科学位的学习给出一个完整的课程规划。
8. 告别RNN，迎接TCN
内容摘要：从TCNs在股票趋势预测中的应用可以看出，通过结合新闻事件和知识图谱，TCNs可以明显优于规范的RNNs。 循环神经网络在序列建模中享有的优势可能在很大程度上是历史发展遗留的问题。直到近期，在引入诸如扩张卷积和残余连接等架构元素之前，卷积架构确实比较薄弱。最近的学术研究表明，在这些元素的作用下，简单的卷积架构在不同的序列建模任务中比LSTMs等递归架构更有效。由于TCNs的清晰度和简单性相当高，卷积网络应该被视为序列建模的天然起点和强大工具。
内容摘要：蒙特卡罗方法是一种使用随机数和概率来解决复杂问题的技术，使我们能够看到决策的所有可能结果，并评估风险影响，从而在不确定的情况下更好地做出决策。就像任何预测模型一样 模拟结果只有我们的估计值才是好的，蒙特卡洛模拟只代表概率而不是确定性。在本文中，我们将通过五个不同的例子来理解蒙特卡罗模拟方法。
10. 最强通用棋类AI，AlphaZero强化学习算法解读
内容摘要：在本篇博文中，你将会了解并实现AlphaZero，一个能够在双方零和博弈的棋盘游戏中战胜世界冠军的强化学习算法 ，它以绝对的优势战胜了多名围棋以及国际象棋冠军。作者将带你使用AlphaZero来解决一个益智小游戏（Dots and Boxes）并将其部署成一个纯JavaScript构建的Web应用。
11. 强化学习算法DeepCube，机器自行解决复杂魔方问题
译者：季一帆
内容摘要：在本文中，作者将详细介绍将RL应用于组合优化领域的最新研究工作。本文对UCI（加利福尼亚大学欧文分校）的研究人员发表的论文“Solving the Rubik’s Cube Without Human Knowledge”进行解读。除了论文解读之外，还使用PyTorch复现论文，通过训练模型和流程解读实验，对论文方法进行改进。
12. 2020 年 4 个最值得推荐的 VS Code 插件
内容摘要：使用 VS Code 编写文档是种新颖的体验，但同时也会减慢速度，并使界面混乱。在2020年底，作者卸载了40多个不必要的扩展，留下了这4个最有用的扩展：TabNine、Vim、Spotify 和 Markdown All in One。
译者：Icarus、
内容摘要：GitHub显然是绝大多数在线代码的家园。Python作为一种神奇而又通用的编程语言，已经被成千上万的开发者用来构建各种有趣而有用的项目。在下面的部分，我们将尝试涵盖GitHub上一些使用Python构建的最佳项目。
14. 微型机器学习：下一次AI革命
译者：听风1996
内容摘要：虽然GPT-3和Turing-LG取得的成绩值得称赞，当然也自然导致了一些业内人士对人工智能行业日益增长的碳足迹提出了批评。不过，这也有助于激发人工智能学界对更加节能计算的兴趣，比如更高效的算法、数据表示和计算。微型机器学习（tinyML）是机器学习和嵌入式物联网（IoT）设备的交叉领域。该领域是一门新兴的工程学科，有可能给许多行业带来革命性的变化。
15. 深度学习未来发展的三种学习范式：混合学习、成分学习和简化学习
译者：小哲
内容摘要：深度学习是一个很大的领域，其核心是一个神经网络的算法， 神经网络的尺寸由数百万甚至数十亿个不断改变的参数决定。似乎每隔几天就有大量的新方法提出。然而，一般来说，现在的深度学习算法可以分为三个基础的学习范式。每一种学习方法和信念都为提高当前深度学习的能力和范围提供了巨大的潜力和兴趣。
16. 数学之美：贝叶斯优化
内容摘要：问题定义：给定函数f(x)，该函数计算成本高、甚至可能不是解析表达式，同时假定函数导数未知。你的任务：找到函数得全局最小值。这无疑是一项艰巨的任务，比机器学习中的其他优化问题还要困难。但贝叶斯优化提供了一个优雅的框架可用于来解决上述定义的问题，并且能够在尽可能少的步骤中找到全局最小值。
AI研习社是AI学术青年和AI开发者技术交流的在线社区。我们与高校、学术机构和产业界合作，通过提供学习、实战和求职服务，为AI学术青年和开发者的交流互助和职业发展打造一站式平台，致力成为中国最大的科技创新人才聚集地。
如果，你也是位热爱分享的AI爱好者。欢迎与译站一起，学习新知，分享成长。
雷锋网版权文章，未经授权禁止转载。详情见。
原创文章，作者：ItWorker，如若转载，请注明出处：https://blog.ytso.com/139051.html