1. ECCV 2020 亮點摘要

譯者：季一帆、Champagne Jin

內容摘要：ECCV 2020 堪稱「史上最難ECCV」，有效投稿5025，一共有1361篇論文入選，錄取率僅為27%。其中 Oral 104篇，Spotlight 161篇，Poster 1096篇。 包括了曾引起廣泛影響的Facebook新式目標檢測演算法 End-to-End Object Detection with Transformers （DETR ）為Oral。為了讓讀者可以從中了解會議總體趨勢。因此，本文會對這次會議進行概括，並列出一些作者自己覺得有趣、重要的論文。 

2. ACL 2020 亮點摘要

譯者：唐里、張超726、情報理論與實踐、Danielan

內容摘要：今年的國際自然語言處理領域頂級學術會議「國際計算語言學協會年會」（ACL 2020）共收到 3429 篇投稿論文，投稿數量創下新高。論文有從基礎任務到高級任務發展的趨勢，收到交稿量最多的方向分別是通過機器學習處理自然語言，對話和交互系統，機器翻譯，資訊提取和自然語言處理的應用及生成。作者將根據本次參與會議的心得體會，在本文中討論行業總體趨勢。

3. Twitter團隊最新研究:快速高效的可擴展圖神經網路SIGN

譯者：季一帆、何月瑩

內容摘要：迄今為止，阻礙圖神經網路在行業應用中被廣泛採用的挑戰之一是難以將其縮放到大型圖（例如Twitter跟隨圖）。 節點之間的相互依賴性使損失函數分解成單個節點的貢獻具有挑戰性。 在這篇文章中，我們描述了Twitter開發的一種簡單的圖神經網路架構，該架構可以處理大量的圖。 

4. 深度學習和機器學習的線性代數入門

譯者：季一帆

內容摘要：機器學習和深度學習是建立在數學概念之上的，掌握理解數學知識對於演算法構建和數據處理有極大幫助。線性代數的研究包括向量及其操作。在機器學習中，各處可見線性代數的背影，如線性回歸，獨熱編碼，主成分分析PCA，推薦系統中的矩陣分解。深度學習更甚，其完全基於線性代數和微積分。梯度下降，隨機梯度下降等優化方法也建立在此之上。

5. 重磅 | 對比了2000台筆電後，Towards AI 選出了最適合搞機器學習、數據科學和深度學習的筆記型電腦電腦！

譯者：聽風1996、Icarus、

內容摘要：過去一年中，Towards AI的編輯團隊研究了2,000多台筆記型電腦電腦，並選擇了他們認為適合機器學習，數據科學和深度學習的最佳筆記型電腦電腦。如果您正在尋找好的設備，那麼這裡是您的正確選擇！

6. 【GCN】圖卷積網路(GCN)入門詳解

譯者：聽風1996、大表哥

內容摘要：GCN是一種卷積神經網路，它可以直接在圖上工作，並利用圖的結構資訊。 GCN的基本思路：對於每個子系統，我們從它的所有鄰居常式處獲取其特徵資訊，當然也包括它自身的特徵。在本文中，我們先直觀的了解一下它的工作原理，然後再深入了解它背後的數學原理。 

7. 斯坦福大學 | 人工智慧本科4年課程清單

譯者：明明知道、jiazhenbin、婁門人家

內容摘要：你也許通過Coursera在線課程就能獲得某些人工智慧領域的知識，但在實際應用中培養對這些概念的深層理解更為重要。本文旨在為四年制人工智慧本科學位的學習給出一個完整的課程規劃。 

8. 告別RNN，迎接TCN

譯者：聽風1996、君思、小哲

內容摘要：從TCNs在股票趨勢預測中的應用可以看出，通過結合新聞事件和知識圖譜，TCNs可以明顯優於規範的RNNs。 循環神經網路在序列建模中享有的優勢可能在很大程度上是歷史發展遺留的問題。直到近期，在引入諸如擴張卷積和殘餘連接等架構元素之前，卷積架構確實比較薄弱。最近的學術研究表明，在這些元素的作用下，簡單的卷積架構在不同的序列建模任務中比LSTMs等遞歸架構更有效。由於TCNs的清晰度和簡單性相當高，卷積網路應該被視為序列建模的天然起點和強大工具。

9. 蒙特卡洛模擬（Python）深入教程

譯者：大表哥、wiige

內容摘要：蒙特卡羅方法是一種使用隨機數和概率來解決複雜問題的技術，使我們能夠看到決策的所有可能結果，並評估風險影響，從而在不確定的情況下更好地做出決策。就像任何預測模型一樣 模擬結果只有我們的估計值才是好的，蒙特卡洛模擬只代表概率而不是確定性。在本文中，我們將通過五個不同的例子來理解蒙特卡羅模擬方法。 

10. 最強通用棋類AI，AlphaZero強化學習演算法解讀

譯者：Champagne Jin

內容摘要：在本篇博文中，你將會了解並實現AlphaZero，一個能夠在雙方零和博弈的棋盤遊戲中戰勝世界冠軍的強化學習演算法 ，它以絕對的優勢戰勝了多名圍棋以及國際象棋冠軍。作者將帶你使用AlphaZero來解決一個益智小遊戲（Dots and Boxes）並將其部署成一個純JavaScript構建的Web應用。

11. 強化學習演算法DeepCube，機器自行解決複雜魔方問題

譯者：季一帆

內容摘要：在本文中，作者將詳細介紹將RL應用於組合優化領域的最新研究工作。本文對UCI（加利福尼亞大學歐文分校）的研究人員發表的論文「Solving the Rubik』s Cube Without Human Knowledge」進行解讀。除了論文解讀之外，還使用PyTorch復現論文，通過訓練模型和流程解讀實驗，對論文方法進行改進。

12. 2020 年 4 個最值得推薦的 VS Code 插件

譯者：蘇珊•克爾萊、Icarus、

內容摘要：使用 VS Code 編寫文檔是種新穎的體驗，但同時也會減慢速度，並使介面混亂。在2020年底，作者卸載了40多個不必要的擴展，留下了這4個最有用的擴展：TabNine、Vim、Spotify 和 Markdown All in One。

13. GitHub十大熱門Python項目

譯者：Icarus、

內容摘要：GitHub顯然是絕大多數在線程式碼的家園。Python作為一種神奇而又通用的程式語言，已經被成千上萬的開發者用來構建各種有趣而有用的項目。在下面的部分，我們將嘗試涵蓋GitHub上一些使用Python構建的最佳項目。

14. 微型機器學習：下一次AI革命

譯者：聽風1996

內容摘要：雖然GPT-3和Turing-LG取得的成績值得稱讚，當然也自然導致了一些業內人士對人工智慧行業日益增長的碳足跡提出了批評。不過，這也有助於激發人工智慧學界對更加節能計算的興趣，比如更高效的演算法、數據表示和計算。微型機器學習（tinyML）是機器學習和嵌入式物聯網（IoT）設備的交叉領域。該領域是一門新興的工程學科，有可能給許多行業帶來革命性的變化。 

15. 深度學習未來發展的三種學習範式：混合學習、成分學習和簡化學習

譯者：小哲

內容摘要：深度學習是一個很大的領域，其核心是一個神經網路的演算法， 神經網路的尺寸由數百萬甚至數十億個不斷改變的參數決定。似乎每隔幾天就有大量的新方法提出。然而，一般來說，現在的深度學習演算法可以分為三個基礎的學習範式。每一種學習方法和信念都為提高當前深度學習的能力和範圍提供了巨大的潛力和興趣。

16. 數學之美：貝葉斯優化

譯者：季一帆、Icarus、

內容摘要：問題定義：給定函數f(x)，該函數計算成本高、甚至可能不是解析表達式，同時假定函數導數未知。你的任務：找到函數得全局最小值。這無疑是一項艱巨的任務，比機器學習中的其他優化問題還要困難。但貝葉斯優化提供了一個優雅的框架可用於來解決上述定義的問題，並且能夠在儘可能少的步驟中找到全局最小值。