本文给大家推荐2019年6月20日Medium上最火的5个人工智能相关部落格。

1、Deep Learning for Collaborative Filtering (using FastAI)

推荐系统是近年来越来越重要的机器学习中最受欢迎的应用之一。

在很高的层次上，推荐系统是利用机器学习技术模拟人类心理和个性的算法，以预测他们的需求和欲望。

推荐系统的标准模型使用两种资料：

使用者与专案的互动，例如评级或购买行为（协同过滤）。关于使用者和专案的属性资讯，例如文字简介或其他相关资讯（基于内容的推荐者）。在本文中，作者想展示如何构建一个非常简单的深度学习模型来解决协同过滤问题。作者将提出的模型应用于完整的Movielens 100k资料集。利用的是Jeremy Howard的fastai库。大家可以去搜索一下这篇文章看看作者怎么使用的。作者也给了源代码：

https://github.com/Quantyca/demo-ateam-ai-misc/blob/master/recommendation/CollabMovielens.ipynb

2、Machine Learning — Graphical Model

机器学习（ML）和深度学习（DL）之间的一个主要区别是寻求解决问题的领域知识的数量。 ML算法定期利用领域知识。 但是，如果我们的知识不完整，那么解决方案可能会有偏差。 但是，反过来我们可以更有效地解决问题。 图模型是ML的一个分支，它使用图表来表示域问题。 许多熟悉的ML和DL算法，包括朴素贝叶斯算法，隐马尔可夫模型，受限玻尔兹曼机器和神经网络，可以归类为图形模型。 研究图形模型使我们可以在许多不同的ML算法上进行鸟瞰。 在本文中，我们将重点放在使用图形模型表示问题的基础上。 在本系列的后面部分，我们将讨论如何进行推理以及如何训练模型。

3、Comprehensive Introduction to Neural Network Architecture

看标题就知道这篇文章主要是带领大家理解神经网络架构背后的知识。这是一系列文章中的第二篇。阅读完这篇文章大约需要16分钟哦。

4、Visualizing Intermediate Activations of a CNN trained on the MNIST Dataset

在本文中，我们不仅要使用Keras和Python训练卷积神经网络来对手写数字进行分类，还要对卷积神经网络的中间启用函式进行视觉化，以便深入了解影象的每个特征。 层学习。

我们将使用可以在Kaggle上找到的MNIST资料集。 此资料集包含训练集中的42000行和测试集中的24000行。 每行包含784个画素值，表示包含0-9的手写奇异数字的28 x 28影象。

作者废话很少，接下来就是直接上程式码了。

5、A step-by-step neural network tutorial for beginners

在开始本教程之前，您必须有一个目标。 你为什么需要这个教程？

答案很简单，也许你有想法使用神经网络构建。 或者你可能只是不想错过这项技术。

对于那些不知道这项技术可以做什么的人，我将给你几个实现的例子。

本文主要是一个非常简单的入门案例，教大家如何入门神经网络。

更多算法技术进

展方面可以访问相关算法最新解读和进展 | 学习资料(Datalearner)获取更多最新的Medium内容。