摘要：本文总结了 2018 年期间机器学习博客 top50 篇，在这个寒冬中给大家带来一点干粮。
新的一年新气象，总结过去一年，展望新的一年。站在巨人的肩膀上前行，肯定会事半功倍。因此，本文从 2018 年 1 月至 12 月期间挑选出近 22,000 篇机器学习文章，并进行比较，以挑选出能够提升 2019 年数据科学技能的前 50 名文章。
从概率上讲，这是一个极具竞争力的列表，概率仅为 50 / 22,000（0.23%），且需要经过仔细挑选并与过去一年发布的机器学习文章进行对比。Mybridge AI 通过考虑受欢迎程度、参与度和新近度以及其他人为因素来评估这些文章的质量。
本教程将 50 篇文章划分为 16 个相关组：
寒冬已至，请花些大量时间阅读过去一年中可能错过的顶级机器学习教程。如果想查看去年最好的机器学习系列文章，请点击这里。
深度视频
No. 1
Deepfakes 与家庭乐趣，如何让自己妻子参加今夜秀——由 Sven Charleer 提供；
No. 2
深度视频肖像：一种新颖的方法，只使用输入视频即可实现肖像视频的照片般逼真的重新动画——由 Christian Theobalt 提供；
人脸识别
No. 3
如何使用 Python 中的深度学习实现 iPhone X 的 FaceID 功能——Nouman Di PaloCourtesy；
No. 4
使用 OpenCV、Python 和深度学习进行人脸识别——由 Adrian Rosebrock 提供；
No. 5
前沿人脸识别很复杂，这些电子表格让它变得更容易——由 Dave Smith 提供；
对象检测
No. 6
在 Airbnb 上分类列表照片：大规模深度学习模型正在改变我们在平台上思考家庭图像的方式——由 Shijing Yao 提供；
No. 7
使用 OpenCV 进行 YOLO 对象检测——由 Adrian Rosebrock 提供；
No. 8
使用 10 行代码实现对象检测——由 Moses Olafenwa 提供；
游戏 AI
No. 9
游戏 AI 的初学者指南——由 Kylotan 提供；
No. 10
基于预测奖励的强化学习——由 Harri Edwards 提供；
No. 11
Montezuma 的复仇之路通过 Go-Explore 解决，这是一种新的解决困难探索问题的算法——由优步工程师提供；
No. 12
抢旗：代理如何在复杂的第一人称多人游戏中实现人类级别的表现，甚至可以与人类队友合作——由 DeepMind 提供；
No. 13
OpenAI Five：在 Dota 2 游戏中击败业余人类玩家——由 OpenAI 提供；
象棋
No. 14
AlphaZero：在国际象棋、将棋和围棋的盛大游戏中崭露头角——由 DeepMind 提供；
No. 15
如何使用 Python 和 Keras 构建自己的 AlphaZero AI——由 David Foster 提供；
No. 16
简单解释：人工智能程序如何掌握围棋游戏的古老游戏——由 Aman Agarwal 提供；
医疗
No. 17
深度学习在医学图像数据集中的不合理用处——由 Luke Oakden-Rayner 提供；
No. 18
利用基于 DNA 的胜者通吃神经网络扩大分子模式识别——由 Kevin M. Cherry、Lulu Qian 提供；
No. 19
针对脑核磁共振图像的深度学习方法——由 Henrik Marklund 提供；
运动
No. 20
每个人都跳舞：一个简单的方法“跟我做”动作迁移——由 Caroline Chan 等人提供；
No. 21
走向虚拟替身演员——由 Xue Bin peng 提供；
No. 22
学习敏捷：一个真正的机器人手，使用与 OpenAI Five 相同的学习算法和代码进行训练，已经学习了类似于旋转物体的动作——由 OpenAI 提供；
No. 23
在人工代理中使用类似网格的表示进行导航——由 Andrea Banino 等人提供；
Web&App
No. 24
如何使用 CoreML、PyTorch 和 React Native 在 iOS 上发布神经网络——由 Stefano 等人提供；
No. 25
如何训练 AI 将设计模型转换为 HTML 和 CSS——由 Emil Wallner 提供；
翻译
No. 26
通过更快的训练和推理将神经机器翻译成更大的数据集——由 Michael Auli 等人提供；
No. 27
在翻译中找到：通过深入学习从头开始构建语言翻译——由 Samuel Lynn-Evans 等人提供；
No. 28
无监督机器翻译：为更多语言提供快速，准确翻译的新方法。由 Facebook Research 提供
NLP
No. 29
有关 BERT、ELMo 和 co（如何 NLP 破解转移学习）的说明——由 Jay Alammar 提供
No. 30
注释迁移学习——由哈佛 NLP 组提供；
No. 31
自然语言处理很有趣——由 Adam Geitgey 提供；
神经网络
No. 32
如何在 Python 中从头开始构建自己的神经网络——由 James Loy 提供；
No. 33
使用简单的 NumPy 编写一个神经网络——由 Piotr Skalski 提供；
CNN
No. 34
可区分的图像参数化：一种功能强大、探索不足的神经网络可视化和艺术工具——由 distillpub 提供；
No. 35
特征转换——由 distillpub 提供；
No. 36
Keras 和卷积神经网络（CNN——由 Adrian Rosebrock 提供；
No. 37
可解释性的组成部分——由 Distill 提供；
No. 38
Rosetta：通过机器学习理解图像和视频中的文本——由 Facebook Research 提供；
No. 39
一个有趣的卷积神经网络失败案例和协同解决方案——由优步提供；
RNN
No. 40
Google Duplex：用于通过电话完成真实世界任务的 AI 系统——由 Yaniv Leviathan 提供；
No. 41
世界模型：代理人可以在自己的梦中学习吗？——由 maru 提供；
强化学习
No. 42
经验教训再现深度强化学习论文——由 Matthew Rahtz 提供；
No. 43
具有强化学习的灵巧操作：高效、通用和低成本——由 Henry Zhu 等人提供；
No. 44
深度强化学习不起作用——由 Sorta Insightful 提供；
TensorFlow
No. 45
TensorFlow 中的三元组损失和在线挖掘——由 Olivier Moindrot 提供；
No. 46
Tensorflow：令人困惑的部件（1）——由 Jacob Buckman 提供；
No. 47
Tensorflow-Project-Template：TensorFlow 项目模板架构的最佳实践（Github 上已有 2579 颗星）——由 Mahmoud Gemy 提供；
No. 48
使用 TensorFlow.js 在浏览器中进行实时人体姿态估计——由 TensorFlow 提供；
指南
No. 49
机器学习规则：| ML 通用指南 | 谷歌开发者——由 Martin Zinkevich 提供；
No. 50
基于模型的机器学习——由 John Winn 和 Christopher M. Bishop 提供
以上就是 2018 年度 top50 机器学习教程。如果你有更好的文章，请留言。
本文作者：【方向】阅读原文
本文为云栖社区原创内容，未经允许不得转载。