1. 我爱机器学习(2)

1. [导读]Python股市数据分析教程
2. arXiv Paper Daily: Wed, 21 Dec 2016

2. 机器之心(5)

1. 资源 | 基于MXNet 的神经机器翻译实现
2. 业界 | 既能打假也能造假，人工智能让图像和视频伪造更简单
3. 学界 | 谷歌新论文：使用生成对抗网络的无监督像素级域适应
4. ​专访 | 今日头条2016 Byte Cup大赛实战经验分享：要充分挖掘模型本身的信息
5. 重磅 | 美国白宫再发报告：三大策略应对人工智能驱动下的自动化经济

3. 大数据文摘(3)

1. 工作职位推荐系统的算法与架构
2. 一人一笔 | 大数据行业从业者调研报告众筹
3. 全球最牛程序员出自哪些学校 中国“神秘”高中排名第二

4. 36大数据(3)

1. 36早报 | GrowingIO打造国内最强数据分析，上海交大人工智能成功鉴别美女
2. ✪​ 洞察 | 2016年人们在搜什么？Google发布2016年热门关键词搜索榜单
3. ✪​ 实践 | 使用机器学习模型对大盘指数进行预测

5. 深度学习世界(2)

1. 业界 | 既能打假也能造假，人工智能让图像和视频伪造更简单
2. 白宫发布《人工智能、自动化和经济》报告，敦促特朗普政府确保美国 AI 领先地位

6. 爱可可 – 爱生活(29)

1. 《Nature 年度人物 Top 10：DeepMind CEO Hassabis 作为“Mind 缔造者”入选》via:@新智元 http://t.cn/RIo7tBWRT @爱可可-爱生活:【Nature年度十大重要人物】“Nature’s 10 – Ten people who mattered this year” http://t.cn/RIaSjtl
2. 《既能打假也能造假，人工智能让图像和视频伪造更简单》via:@机器之心synced http://t.cn/RIo7LZDRT @爱可可-爱生活:【AI技术让图片/视频造假更容易】《Artificial intelligence is going to make it easier than ever to fake images and video – The Verge》by James Vincent http://t.cn/RISqJx2
3. 《​今日头条2016 Byte Cup大赛实战经验分享：要充分挖掘模型本身的信息》by 杜夏德 via:@机器之心synced http://t.cn/RIo7PId
4. 【机器学习在线课程(学习路线)小结】《MOOCs for Machine Learning》by Amar Budhiraja http://t.cn/RISXGGT
5. [Machine Learning is simply a] “loose confederation of themes in statistical inference (and decision-making)” -Michael Jordan ( http://t.cn/RIS66Tp )
6. 本组熊志远同学整理的分享材料：http://t.cn/RIAme45 更多分享阅读: http://t.cn/RVb9AtyRT @爱可可-爱生活:《Character-Level Question Answering with Attention》D Golub, X He [University of Washington & Microsoft Research] (2016) http://t.cn/Rqb2rw8
7. 本组卞维杰同学整理的分享材料：http://t.cn/RIAmdo7 更多分享阅读: http://t.cn/RVb9AtyRT @爱可可-爱生活:《Two are Better than One: An Ensemble of Retrieval- and Generation-Based Dialog Systems》Y Song, R Yan, X Li, D Zhao, M Zhang [Peking University] (2016) http://t.cn/RVjfHt7
8. 论文引介 by 徐磊 via:智能立方 http://t.cn/RISImahRT @爱可可-爱生活:《Neural Generation of Regular Expressions from Natural Language with Minimal Domain Knowledge》N Locascio, K Narasimhan, E DeLeon, N Kushman, R Barzilay [MIT & Microsoft] (EMNLP 2016) http://t.cn/RtOLf9q GitHub:http://t.cn/RtOrQZa
9. 第二天～RT @爱可可-爱生活:#转发赠书# 送出3套@图灵教育 的《数学女孩（I、II）》日本数学会权威推荐，绝赞的数学科普书，日本数学会出版奖得主、知名程序员结城浩畅销力作。以小说形式展开，内容由浅入深，数学讲解部分十分精妙。转发即可参与，2016.12.26 12:00截止 试读：I:http://t.cn/RtB85ML II:http://t.cn/RIXvawa
10. 《学霸是怎么学习的？学霸有哪些高效的学习方法和技巧？ – 知乎》 http://t.cn/RIS5jQ4
11. 《有哪些东西是你读研究生以后才懂的？ – 知乎》 http://t.cn/RIS5x9p
12. GitHub:http://t.cn/RIS5f2SRT @爱可可-爱生活:【论文:稀疏概率激活函数Sparsemax及其Attention神经网络/多标签分类应用】《From Softmax to Sparsemax: A Sparse Model of Attention and Multi-Label Classification》A F. T. Martins, R F Astudillo (2016) http://t.cn/RG558DN
13. 《Harmonic Networks: Deep Translation and Rotation Equivariance》D E. Worrall, S J. Garbin, D Turmukhambetov, G J. Brostow [University College London] (2016) http://t.cn/RISqYq9 Home:http://t.cn/RISqp9O GitHub:http://t.cn/RISqpqC http://t.cn/RISqYqi .
14. 【AI技术让图片/视频造假更容易】《Artificial intelligence is going to make it easier than ever to fake images and video – The Verge》by James Vincent http://t.cn/RISqJx2
15. 【从麦肯锡2016研报看机器学习未来方向】《McKinsey’s 2016 Analytics Study Defines The Future Of Machine Learning | Forbes》by Louis Columbus http://t.cn/RISGdTn
16. 【(Python/plotly)2015全美交通死亡事故数据分析】《2015 Traffic Fatalities | Kaggle》by Abigail Larion http://t.cn/RISGCsT
17. 场景化和动态化是大方向RT @张开旭:#中文分词#

    最近看大家在微博上讨论分词。作为一个分词的同好，我也是有分词情怀的。我是12年毕业的NLP博士，课题就是分词，做课题期间读了几乎所有的主要文献，也自己重现过主流的方法，包括最大匹配，CRF，感知器，基于词的方法等等。遗憾的是自己没有写出高水平的paper。自己编写过一个分词系统，也就是现在的THUNLP分词开源版本的雏形。毕业前后参加SIGHAN2012年的分词评测，题目是切分微博语料，在17只队伍中获得第一名。毕业后到国内某商业搜索引擎公司也完成过一次分词模块的升级。直到一年半之前，决定暂时放弃分词的研究。

    在此我也想跟大家分享一下我对分词的看法。

    【分词不是一个独立的任务】。分词的确在很多地方被使用，但不像机器翻译、语音识别、聊天那样形成一个独立的产品。用户并不对其感知，他在所有使用场景中，都如同一个hidden variable，对最后效果的影响即使不是次要的，但一定也是间接的。这样一个特点就导致很多尴尬的问题。

    不论从实践上还是理论上，【分词不存在完美的标准】。首先，如上所说，不同的任务所需要的分词结果可能是不一样的

18. 【打造Jarvis】《Building Jarvis》by Mark Zuckerberg http://t.cn/RI6SobA 《Zuckerberg 亲写代码实现 AI 助理 Jarvis》via:@新智元 http://t.cn/RISGA6O
19. 【G-CNNs：数据高效深度学习】《Data-Efficient Deep Learning with G-CNNs》by Armina Stepan http://t.cn/RISbgP9 ref:http://t.cn/RISbgPC
20. 《End-to-End Subtitle Detection and Recognition for Videos in East Asian Languages via CNN Ensemble with Near-Human-Level Performance》Y Xu, S Shan, Z Qiu, Z Jia, Z Shen, Y Wang, M Shi, E I Chang [Beihang University & MSRA] (2016) http://t.cn/RISbcjA
21. 《Neural Machine Translation from Simplified Translations》J Crego, J Senellart [SYSTRAN] (2016) http://t.cn/RISbwV0
22. 《Simple Black-Box Adversarial Perturbations for Deep Networks》N Narodytska, S P Kasiviswanathan [Samsung Research America] (2016) http://t.cn/RISbhZq
23. 《Sample-efficient Deep Reinforcement Learning for Dialog Control》K Asadi, J D. Williams [Brown University & Microsoft Research] (2016) http://t.cn/RIS4kMt
24. 《Self-Correcting Models for Model-Based Reinforcement Learning》E Talvitie [Franklin & Marshall College] (2016) http://t.cn/RIS4d7Z GitHub:http://t.cn/RIS4d7w
25. 《Learning Features by Watching Objects Move》D Pathak, R Girshick, P Dollár, T Darrell, B Hariharan [Facebook AI Research & UC Berkeley] (2016) http://t.cn/RIS43fX
26. 《A recurrent neural network without chaos》T Laurent, J v Brecht [Loyola Marymount University & California State University] (2016) http://t.cn/RIS4Qil
27. 《Mutual information for fitting deep nonlinear models》J S. Hunter, N O. Hodas [Pacific Northwest National Laboratory] (2016) http://t.cn/RIS4Opl
28. 《On Random Weights for Texture Generation in One Layer Neural Networks》M Mongia, K Kumar, A Erraqabi, Y Bengio [Stanford University & IIT Kanpur & Montreal Institute f or Learning Algorithms] (2016) http://t.cn/RIS49Ai
29. 《今日学术视野(2016.12.21)》 http://t.cn/RIS4X13