互联网上有大量的教学视频，可以帮助我们完成各种各样的挑战，然而，大多数现有的教学视频分析数据集在多样性和规模上都存在局限性，而实际应用程序更加多样化，这使得这些数据集显得匮乏，此外，组织利用这些数据集仍然存在巨大挑战。
为了解决以上问题，清华大学和美图开源了教程类行为视频数据集 COIN（COmprehensive INstructional video analysis）。COIN 数据集采用分层结构组织，包含 11,827 个视频，包含与我们日常生活相关的 12 个领域(如车辆、小玩意等) 180 个任务的视频内容。这些视频均来自 YouTube。视频的平均长度为 2.36 分钟。每[……]
强化学习 (RL) 是一种框架，可以教导智能体如何以使奖励最大化的方式在现实世界中采取行动。我们将由神经网络完成的学习称为深度强化学习 (Deep RL)。RL 框架有三种类型：基于策略、基于值和基于模型。三者的区别在于神经网络需要学习的内容。如需了解更多详情，请观看 MIT 课程 6.S091 的 Deep RL 简介讲座。当我们需要作出一系列决策时，可以借助 Deep RL 在模拟环境或真实环境中应用神经网络。其中包括游戏操作、机器人、神经架构搜索等等。DeepTraffic 环境提供了教程与代码示例，可以让您快速地在浏览器中探索、训练和评估 Deep RL 智能体。
GAN 是一种训练网络框架，已经过优化，可以通过特定表征生成新的真实样本。简单而言，其训练过程涉及两个网络。其中一个网络称为 生成器 (generator)，它会生成新的数据实例并试图欺骗另一个网络，即判别器 (discriminator)，后者会对图像的真伪进行分类。
在过去几年，GAN 出现了许多变体和改进，包括从特定类别生成图像的能力，以及将图像从一个域映射到另一个域的能力，而且所生成图像的真实度也有极大提升。TensorFlow 教程：如需 GAN 早期变体的示例，请参阅有关 条件GAN 和 DCGAN 的教程。
自动编码器是其中一种更简单的 “无监督学习” 形式，其采用编码器 — 解码器架构，并学习生成输入数据的精确副本。由于编码表征比输入数据小得多，此网络被迫学习如何生成最有意义的表征。
其 Ground truth 数据来自输入数据，因此无需人工操作。换言之，此网络可自我监督。其应用包括无监督嵌入、图像降噪等。但最重要的是，其 “表征学习” 的基本思想是下个部分的生成模型与所有深度学习的核心。在这个 TensorFlow Keras 教程 中，您可以探索自动编码器在以下两方面的功能：
[……]
项目 GitH[……]