2017年深度學習領域閱讀量最高的11篇文章
【智慧觀】本文是國外知名技術網站Analytics Vidhya總結的11篇深度學習領域最佳文章，如果你還沒有看過，可以找來讀一讀；如果你還不熟悉深度學習，這些資料將成為一份不錯的資源。為了方便不同水準的人，
1.用Python和R理解和編碼神經網路
使用工具：Python（numpy），R
級別：中級
神經網路被認為是黑匣子，一般人都無法瞭解它的工作方式。讀過這篇文章後，你將徹底改變這樣的觀點。
本文從感知器在numpy和R中進行編碼的過程切入，
你將瞭解神經網路是如何工作的，如何初始化權重，以及如何使用反向傳播更新網路。對於那些想要徹底瞭解神經網路工作的人來說，這是一篇必讀的文章。
連結：
https://www.analyticsvidhya.com/blog/2017/05/neural-network-from-scratch-in-python-and-r/
2. 使用基於R語言的Keras和TensorFlow進行深度學習使用工具： Keras R語言介面
級別：中級
選R還是Python一直是一個有爭議的話題。隨著深度學習的發展，人們逐漸選擇Python，因為它擁有R所沒有的深度學習庫和框架（到目前為止）。
當人們剛慢慢習慣把Python作為深度學習的實用語言時，Keras R語言介面發佈，相容TensorFlow運行後端， R語言很可能將再次超越Python。
在本文中，你將學會如何安裝使用基於R語言的Keras和Tensorflow，並在RStudio的經典MNIST資料集上構建自己的第一個神經網路模型。
連結：
https://www.analyticsvidhya.com/blog/2017/06/getting-started-with-deep-learning-using-keras-in-r/
3. 卷積神經網路（CNN）的體系結構揭秘使用工具：Keras
級別：中級
本文討論了卷積神經網路背後的架構，這些架構用於解決圖像的識別和分類問題。每個圖像都是按特定順序排列的圖元。如果你更改圖元的順序或值，圖像也會隨之改變。
要想瞭解神經網路中的圖像，那麼瞭解圖元的排列方式非常重要。CNN是專門設計用來保存這些圖元排列，並從圖像中獲得各種特徵的神經網路。本文將説明你理解卷積神經網路的各個層次，
連結：
https://www.analyticsvidhya.com/blog/2017/06/architecture-of-convolutional-neural-networks-simplified-demystified/
4. 實踐深度學習：解決年齡檢測問題使用工具：keras
級別：高級
通過觀看視頻、MOOC，或者通過解決實際問題來學習資料科學都是必要的手段。這兩種學習方式都是你要做的。如果你質疑，
目前，人們已經在相機中的人臉檢測，移動設備上的語音辨識以及汽車自動駕駛等領域應用了深度學習。 本文鼓勵你去解決有趣的和有意義的問題，例如，使用深度學習檢測人的年齡等。
連結：
https://www.analyticsvidhya.com/blog/2017/06/hands-on-with-deep-learning-solution-for-age-detection-practice-problem/
5. 用TensorBoard調試和視覺化神經網路使用工具：Keras，TensorBoard
級別：中級
如果你想訓練一個神經網路，就必須解決收斂問題（從簡單的資料轉換到模型創建問題）。
本文重點介紹神經網路的調試工作，目的是指導你解決問題。本文還介紹了一個工具Tensorboard，是深度學習工具箱的有益補充。
連結：
https://www.analyticsvidhya.com/blog/2017/07/debugging-neural-network-with-tensorboard/
6. 轉移學習以及在深度學習中使用預先訓練的模型使用工具：Keras
級別：高級
當我們想要解決圖像和語音辨識等領域複雜的實際問題時，每增加模型中的一層隱藏層都需要巨大的資源和時間。轉移學習可以説明我們調整別人預先訓練好的模型，解決自己的問題。本文介紹了如何使用預先訓練的模型提出解決方案，如何使用VGG16等預先訓練的模型進行圖像分類。
連結：
https://www.analyticsvidhya.com/blog/2017/06/transfer-learning-the-art-of-fine-tuning-a-pre-trained-model/
7. 深度學習的基礎知識：遞迴神經網路介紹使用工具：Keras
級別：中級
有時候，資訊序列就是資料本身。如果我們想把這些資料合理地輸出，就需要一個網路，訪問跟該資料相關的資訊，以完整地理解資料。這個網路就是遞迴神經網路。
本文介紹遞迴神經網路。為方便起見，作者在Excel中展示了遞迴神經元的工作過程。作者還討論了遞迴神經網路的一些缺點，並給出了相應的演算法。簡單地說，這是一篇介紹性的文章，使你能夠理解和使用遞迴神經網路來處理實際問題。
連結：
https://www.analyticsvidhya.com/blog/2017/12/introduction-to-recurrent-neural-networks/
8. 直觀瞭解Word嵌入：從計數向量到Word2Vec（計算預測模型）使用工具：gensim
級別：高級
谷歌翻譯中輸入英文並獲得對應中文就是一個文本處理的應用。文本處理通過處理大量的文本來執行不同的任務，如聚類、分類和機器翻譯。 人類可以非常直觀地處理文本，但如果我們一天內生成了數百萬個文檔，人類執行這些任務就不可能了。
人類可以高效完成一項任務，但對電腦來說，很難。當然，電腦可以匹配兩個字串並告訴你是否相同。但是，當你在尋找梅西時，如何讓電腦告訴你關於足球或羅納爾多的事?
答案是為單詞創建一個表示形式，捕捉它們的含義，語義關係以及它們所應用的不同類型的上下文。 所有這些都是通過使用“Word嵌入”或“文本數位表示”來實現的。 在這篇文章中，你會看到什麼是正式的 Word 嵌入及其不同類型, 以及如何實現任務, 如高效地顯示 Google 搜索結果。
連結：
https://www.analyticsvidhya.com/blog/2017/06/word-embeddings-count-word2veec/
9. 使用深度學習分析音訊資料（附帶案例研究）使用工具：Keras
級別：中級
當你開始使用資料科學時，可以從最簡單的做起，如貸款預測或超市銷售預測，這些問題的結構化資料可以以表格形式整齊排列。
人是資料科學中最難的部分，現實生活中的資料要複雜得多。你要瞭解它，從各種來源收集它，並以可以處理的格式排列。當資料是非結構化格式（如圖像或音訊）時，處理更加困難。因為你必須以標準格式表示圖像/音訊資料，以便分析。
有趣的是, 非結構化資料暗藏了巨大的開發機會。它更接近我們人類交流和互動的方式。例如，如果一個人在說話，你不僅得到了TA所說的內容，而且還能從聲音中感受到這個人的情感。 本文介紹音訊/語音處理與案例研究，以便你可以親自體驗處理音訊問題的方法。
連結：
https://www.analyticsvidhya.com/blog/2017/08/audio-voice-processing-deep-learning/
10. 生成性對抗網路 (GANs) 入門指南使用工具：Keras
級別：高級
神經網路取得了很大的進步。它們現在認識圖像和聲音的水準與人類相當。它們也能很好地理解自然語言。但即使如此，使用機器來自動化人工任務還有點困難。畢竟，我們所做的不僅僅是認識圖像、聲音或者理解周圍人說什麼。讓我們看一些例子：
通過學習過去的文章，訓練一位能夠以非常簡單的方式撰寫文章並可以解釋資料科學概念的人工作者。
創建一個AI畫家，從著名畫家過去的作品中學習，模仿任何著名畫家的作品。
以上這些都可以通過機器來完成嗎？答案可能讓你大吃一驚。 這些任務自動化確實很難，但是生成對抗網路（GAN）有可能做到！
如果你被GAN這個名字嚇倒，別擔心！這篇文章會安撫你的情緒。 本文介紹GAN的概念，並解釋它是如何解決這些難題的。你還會知道一些GAN的應用，並得到一些重要資源，以深入瞭解這個技術。
連結：
https://www.analyticsvidhya.com/blog/2017/06/introductory-generative-adversarial-networks-gans/
11. 幾分鐘完成深度學習應用（使用Python）使用工具：深度學習API和開源深度學習軟體
等級：初級
深度學習是近年來資料科學中研究和討論最多的話題。值得注意的是，最近資料科學方面的一些突破源於深度學習。預計很多深度學習應用程式在不久的將來進入你的生活。但是，如果你一直沒有深入瞭解深度學習，這些詞可能看起來很難很恐怖：TensorFlow，Keras，基於GPU的計算等。但其實並不難！雖然尖端的深度學習需要花費時間和精力來鑽研，但將它應用於日常問題是非常容易的。
本文展示了6個應用程式，這些應用程式一開始看起來很困難，但是你可以在一小時內使用深度學習實現它們。
連結：
https://www.analyticsvidhya.com/blog/2017/02/6-deep-learning-applications-beginner-python/
智能觀 編譯
—完—
親愛的朋友：
這些是今年在深度學習領域很火的文章，基本都有中文翻譯版本。如果你關注深度學習，相信其中很多文章已經讀過了。如果你沒有讀過，原連結也打不開的話，可以嘗試搜索一下中文版。
預祝新年快樂！
智慧觀 一米
2017-12-31 於北京中關村
想知道AI加教育領域有哪些最新研究成果？
想要AI領域更多的乾貨？
想瞭解更多專家的“智慧觀”？
請在對話介面點擊“找找看”，去獲取你想要的內容吧。
聲明：
編譯文章旨在幫助讀者瞭解行業新思想、新觀點及新動態，為原作者觀點，不代表智能觀觀點。
本文重點介紹神經網路的調試工作，目的是指導你解決問題。本文還介紹了一個工具Tensorboard，是深度學習工具箱的有益補充。
連結：
https://www.analyticsvidhya.com/blog/2017/07/debugging-neural-network-with-tensorboard/
6. 轉移學習以及在深度學習中使用預先訓練的模型使用工具：Keras
級別：高級
當我們想要解決圖像和語音辨識等領域複雜的實際問題時，每增加模型中的一層隱藏層都需要巨大的資源和時間。轉移學習可以説明我們調整別人預先訓練好的模型，解決自己的問題。本文介紹了如何使用預先訓練的模型提出解決方案，如何使用VGG16等預先訓練的模型進行圖像分類。
連結：
https://www.analyticsvidhya.com/blog/2017/06/transfer-learning-the-art-of-fine-tuning-a-pre-trained-model/
7. 深度學習的基礎知識：遞迴神經網路介紹使用工具：Keras
級別：中級
有時候，資訊序列就是資料本身。如果我們想把這些資料合理地輸出，就需要一個網路，訪問跟該資料相關的資訊，以完整地理解資料。這個網路就是遞迴神經網路。
本文介紹遞迴神經網路。為方便起見，作者在Excel中展示了遞迴神經元的工作過程。作者還討論了遞迴神經網路的一些缺點，並給出了相應的演算法。簡單地說，這是一篇介紹性的文章，使你能夠理解和使用遞迴神經網路來處理實際問題。
連結：
https://www.analyticsvidhya.com/blog/2017/12/introduction-to-recurrent-neural-networks/
8. 直觀瞭解Word嵌入：從計數向量到Word2Vec（計算預測模型）使用工具：gensim
級別：高級
谷歌翻譯中輸入英文並獲得對應中文就是一個文本處理的應用。文本處理通過處理大量的文本來執行不同的任務，如聚類、分類和機器翻譯。 人類可以非常直觀地處理文本，但如果我們一天內生成了數百萬個文檔，人類執行這些任務就不可能了。
人類可以高效完成一項任務，但對電腦來說，很難。當然，電腦可以匹配兩個字串並告訴你是否相同。但是，當你在尋找梅西時，如何讓電腦告訴你關於足球或羅納爾多的事?
答案是為單詞創建一個表示形式，捕捉它們的含義，語義關係以及它們所應用的不同類型的上下文。 所有這些都是通過使用“Word嵌入”或“文本數位表示”來實現的。 在這篇文章中，你會看到什麼是正式的 Word 嵌入及其不同類型, 以及如何實現任務, 如高效地顯示 Google 搜索結果。
連結：
https://www.analyticsvidhya.com/blog/2017/06/word-embeddings-count-word2veec/
9. 使用深度學習分析音訊資料（附帶案例研究）使用工具：Keras
級別：中級
當你開始使用資料科學時，可以從最簡單的做起，如貸款預測或超市銷售預測，這些問題的結構化資料可以以表格形式整齊排列。
人是資料科學中最難的部分，現實生活中的資料要複雜得多。你要瞭解它，從各種來源收集它，並以可以處理的格式排列。當資料是非結構化格式（如圖像或音訊）時，處理更加困難。因為你必須以標準格式表示圖像/音訊資料，以便分析。
有趣的是, 非結構化資料暗藏了巨大的開發機會。它更接近我們人類交流和互動的方式。例如，如果一個人在說話，你不僅得到了TA所說的內容，而且還能從聲音中感受到這個人的情感。 本文介紹音訊/語音處理與案例研究，以便你可以親自體驗處理音訊問題的方法。
連結：
https://www.analyticsvidhya.com/blog/2017/08/audio-voice-processing-deep-learning/
10. 生成性對抗網路 (GANs) 入門指南使用工具：Keras
級別：高級
神經網路取得了很大的進步。它們現在認識圖像和聲音的水準與人類相當。它們也能很好地理解自然語言。但即使如此，使用機器來自動化人工任務還有點困難。畢竟，我們所做的不僅僅是認識圖像、聲音或者理解周圍人說什麼。讓我們看一些例子：
通過學習過去的文章，訓練一位能夠以非常簡單的方式撰寫文章並可以解釋資料科學概念的人工作者。
創建一個AI畫家，從著名畫家過去的作品中學習，模仿任何著名畫家的作品。
以上這些都可以通過機器來完成嗎？答案可能讓你大吃一驚。 這些任務自動化確實很難，但是生成對抗網路（GAN）有可能做到！
如果你被GAN這個名字嚇倒，別擔心！這篇文章會安撫你的情緒。 本文介紹GAN的概念，並解釋它是如何解決這些難題的。你還會知道一些GAN的應用，並得到一些重要資源，以深入瞭解這個技術。
連結：
https://www.analyticsvidhya.com/blog/2017/06/introductory-generative-adversarial-networks-gans/
11. 幾分鐘完成深度學習應用（使用Python）使用工具：深度學習API和開源深度學習軟體
等級：初級
深度學習是近年來資料科學中研究和討論最多的話題。值得注意的是，最近資料科學方面的一些突破源於深度學習。預計很多深度學習應用程式在不久的將來進入你的生活。但是，如果你一直沒有深入瞭解深度學習，這些詞可能看起來很難很恐怖：TensorFlow，Keras，基於GPU的計算等。但其實並不難！雖然尖端的深度學習需要花費時間和精力來鑽研，但將它應用於日常問題是非常容易的。
本文展示了6個應用程式，這些應用程式一開始看起來很困難，但是你可以在一小時內使用深度學習實現它們。
連結：
https://www.analyticsvidhya.com/blog/2017/02/6-deep-learning-applications-beginner-python/
智能觀 編譯
—完—
親愛的朋友：
這些是今年在深度學習領域很火的文章，基本都有中文翻譯版本。如果你關注深度學習，相信其中很多文章已經讀過了。如果你沒有讀過，原連結也打不開的話，可以嘗試搜索一下中文版。
預祝新年快樂！
智慧觀 一米
2017-12-31 於北京中關村
想知道AI加教育領域有哪些最新研究成果？
想要AI領域更多的乾貨？
想瞭解更多專家的“智慧觀”？
請在對話介面點擊“找找看”，去獲取你想要的內容吧。
聲明：
編譯文章旨在幫助讀者瞭解行業新思想、新觀點及新動態，為原作者觀點，不代表智能觀觀點。