这期David 9给各位初学者推荐8个很棒的机器学习小抄，速查表以及我的理解，希望各位刚入坑的小伙伴能有一个总览性的理解，加速你的学习迭代：
1. SCIKIT-LEARN 算法导览 ：
分类只要判别类别标签，回归还要预测具体值，特征降维要找到有用的那些维度，聚类是要给未知总集区分类别，初学者除了知道以上这些问题大类， SCIKIT-LEARN 算法导览还提供一些具体的选择细节。 继续阅读8 个很棒的机器学习小抄，速查表及其解释: Machine Learning Cheat Sheets !
迈向强AI, OpenAI进化策略算法ES (Evolution Strategy)代替传统RL强化学习
一切高级智能的优化过程, 要有尽可能少的人为干预, 也许有一天人们会明白, 强AI的实现是人类放弃”自作聪明”的过程 — David 9
当Deepmind拓展深度学习的边界, OpenAI似乎对强AI和强化学习更有执念, 前些时候的进化策略算法(Evolution Strategy,以下简称ES算法) 在10分钟内就能训练一个master级别的MuJoCo 3D行走模型:
着实给了Deepmind强化学习一个下马威.
ES算法摒弃了强化学习在行动Action域的惯性思维, 复兴了与遗传算法同是80年代的进化策略算法思路。达到了目前强化学习也能有实验结果. 先来看看ES和遗传算法的异同:
没错, 像上面指出的, ES算法和遗传算法的思路非常相似, 只是前者适用于连续空间, 后者更适用于离散空间.
那么ES算法和RL强化学习又有什么差别呢 ? 继续阅读迈向强AI, OpenAI进化策略算法ES (Evolution Strategy)代替传统RL强化学习
CVPR 2017之#CNN论文精选, PointNet：端到端3D图像(点集)分类与分割
计算机科学很大程度上是权衡“现实”和“理想”的方法学 — David 9
3D图像的分类与分割问题，虽然理想上可以用3D卷积构造深度网络，但事实上, 其巨大计算开销不允许我们直接使用卷积对3D云图集进行训练. 试想2D卷积(GoogleNet, ResNet, Alexnet)训练时间就已经让人捉急了, 何况样本是3D云图:
幸运的是现实再残酷, 人类总能找到暂时解决问题的方法, PointNet就是一个权宜之计：它实现端到端3D图像(点集)分类与分割:
论文不使用3D卷积, 而是用深度网络模拟通用对称函数：
输入总共n个点的无序云图点集（{x1，x2 … , xn}）, 通用函数f 输出该云图分类（汽车，书桌，飞机）。 继续阅读CVPR 2017之#CNN论文精选, PointNet：端到端3D图像(点集)分类与分割