一周內容精選 | 熱門雙語圖文（1.11-1.15）
深度學習
機器學習和深度學習有什麼有趣好玩的項目？ 在實際中計劃和執行一個機器學習和深度學習項目將大大地鍛煉你的理論實踐能力。說不定畢設題目就從這裏面出來了。
《「新奇」假設！Adam 或許不是最佳的深度學習優化器》譯者：Born alone°
自 2015 年推出以來， Adam 優化器是深度學習中最流行的優化器之一。但近日，波士頓大學助理教授 Francesco Orabona 提出了一種假設，他認為「不是 Adam 最佳，而是神經網絡的訓練使其變成最佳」。
機器學習
《2021年，圖機器學習將去向何方? 》譯者：Born alone°
說起2020年AI領域的「當紅辣子雞」，非圖機器學習莫屬。Michael Bronstein是倫敦帝國理工學院的教授，也是Twitter的圖學習研究的負責人。最近， 他回顧了過去一年裡圖機器學習方面的亮點，並預測了2021的走向。
《NeurIPS 2020 最「fancy」的七篇基於模型強化學習論文》譯者：FIONAbiubiu
NeurIPS 2020 共收到論文投稿 9454 篇，接收 1900 篇（其中 oral 論文 105 篇、spotlight 論文 280 篇），論文接收率為 20.1%。 作者推薦了7篇基於模型強化學習的論文並作了詳細說明。
《如何將 Pandas 速度加快100倍？》譯者：Born alone°
Pandas 是探索和處理數據的好工具。因此，它被有意地優化為通用性和易用性，而不是性能。 本文列舉了加快 Pandas 速度的6種方法，從矢量化到並行化。
《手把手教你用 Python Pandas，Keras ，Flask ，Docker和 Heroku 部署機器學習模型（附代碼） 》譯者：話左、Born alone°
在2019年橄欖球世界盃期間，作者做了一個項目來預比賽結果。他將此項目擴展為端到端的機器學習項目，以演示如何將機器學習模型部署為交互式Web應用程序。
自然語言處理
《NLP 詳解教程：使用 Spacy 和 Python 實現命名實體識別 (NER) 》譯者：FIONAbiubiu
在NLP中，命名實體識別（NER）是信息提取的一個子任務，旨在將文本中的命名實體定位並分類為預先定義的類別，如人員、地點、藥物、日期等等。 本文將使用Spacy庫進行實踐，同事還將展示如何標記數據（這是其他文章所經常忽略的） 。
《用 T5 探索遷移學習：文本-文本遷移》譯者：江芮、冰糖葫蘆紅
近年來，遷移學習在自然語言處理( NLP )領域帶來了一波新潮流和新研究。2018年到2019年，XLNet、RoBERTa 多種新方法使遷移學習得到了發展。該領域的發展速度使人們難以評估哪些改進最有意義，以及它們何時有效。在「Exploring the Limits of Transfer Learning with a Unified Text-to-Text Transformer」中，我們通過大規模的實證調查來確定哪種遷移學習技術最有效，並在規模上應用這些觀點來創建一個新的模型，我們稱之為” 文本-文本遷移Transformer” ( Text-to- Text Transfer Transformer，T5 )，我們還引入了一個新的開源預訓練數據集，稱之為”Colossal Clean Crawled Corpus，C4 ) 」。
