Область развивается очень быстро, поэтому постоянно приходится следить за последними достижениями - потренируемся это делать!
Практически все статьи в области Machine Learning бесплатно доступны в интернете, обычно на arxiv.org.
Вариантов много!
- Дойти до ссылок на научные статьи из новостей про последние достижения AI, которые и так прут со всех щелей.
- Прочитать в деталях одну из статей, упомянутых в лекциях курса (в слайдах всегда есть ссылки!)
- Посмотреть что является последним достижением (по-английски - State of the Art или SOTA) в какой-то конкретной задаче. Хороший ресурс, отслеживающий SOTA в большом классе задач - https://paperswithсode.com . Как пример можно посмотреть на:
- Поискать статьи по интересующим вас словам через http://www.arxiv-sanity.com/
- Следить за ссылками в сообществах связанных с Deep Learning
Ну и наконец несколько примеров статей:
- A Neural Algorithm of Artistic Style - с чего начался перенос стиля а-ля Prisma
- Super-convergence - подход к очень быстрой тренировке сетей
- SquuezeNet - пример архитектуры, оптимизированной для мобильных устройств
- Mark RCNN - развитие RCNN для задачи Instance Segmentation
- DenseNet - развитие базовой архитектуры CNN после ResNet
- Learning from Simulated and Unsupervised Images through Adversarial Training - использование GANs для генерации примеров для тренировки
- OpenAI GPT-2 - одна из последних архитектур для обучения языковых моделей
- Transformer-XL - развитие архитектуры Transformer
- TacoTron2 - архитектура для синтеза речи
Напишите пост с кратким описанием задачи, которая решается в статье, ключевой идеи и результата, и выложите его где-нибудь! Допускаются блог посты на любом сайте, посты в чатах telegram, ODS и ClosedCircles, видео на youtube итд итп.
Пожелания по посту:
- Описать задачу, решаюмую в статье, и главную метрику. Было бы здорово привести примеры сэмплов в датасете, сказать насколько он большой итд.
- Описать ключевую идею статьи "на пальцах", в идеале в контексте прошлых подходов или сравнения с неким бейзлайном. Обычно в статьях есть диаграмма, описывающая ключевые моменты, приведите ее и объясните что на ней что.
- Описать результаты. Часто в конце статьи есть таблица сравнения подхода из статьи с другими методами, ее тоже стоит привести и объяснить.
- Упомяните, что пост написан для http://dlcourse.ai !
Вот несколько постов такого типа:
- https://habr.com/ru/post/301084/
- https://habr.com/ru/company/ods/blog/352518/
- https://www.alexirpan.com/2017/02/22/wasserstein-gan.html
Присылайте ссылки на свои посты в чаты для обсуждения курса!
Лучше из них мы запостим в слак ODS и устроим соревнование по количеству лайков!