（ICLR 2019：SNAS: Stochastic Neural Architecture Search）
这篇论文的作者提出了随机神经结构搜索 (SNAS)。SNAS 是 NAS 的端到端解决方案，在同一轮的反向传播中同时训练神经算子参数和体系结构分布参数。在此过程中，它维护了 NAS 流程的完整性和可微性。
作者将 NAS 重新表述为单元中搜[……]
（2018：Auto-Keras: An Efficient Neural Architecture Search System）
本文提出了一个框架，使用贝叶斯优化引导网络形变，以提升 NAS 的效率。基于他们的方法，作者构建了一个名为 Auto-Keras 的开源 AutoML 系统。
该方法中，网络的主要组成模块，是在贝叶斯优化算法的指导下，通过神经结构的形变来寻找搜索空间[……]
5. 高效结构搜索的层次化表示
（ICLR 2018：Hierarchical Representations for Efficient Architecture Search）
该网络中提出的算法在 CIFAR-10 上实现了 3.6% 的 top-1 误差，在 ImageNet 上实现了 20.3% 的 top-1 误差。作者提出了一种描述神经网络结构的层次化表示方法，证明了用简单的随机搜索可以得到具有竞争力的图像分类网络结构，并提出了一种可扩展的进化搜索方法变体。[……]
系列文章：《神经架构搜索研究指南 -1》
（2017：Learning Transferable Architectures for Scalable Image Recognition）
在本文中，作者在一个小数据集上搜索结构上的一个组成模块，然后将该模块再转换到一个大数据集上。这是因为直接使用大型数据集将非常麻烦和耗时。
作者在 CIFAR-10 数据集上寻找最佳卷积层，并将其应用于 ImageNet 数据集。具体做法是将该层的更多副本堆叠在一起来实现的。每一层都有自己的参数，用于设计卷积架构。作者将这种体系结构称为 NASNet[……]
从训练到用不同的参数做实验，设计神经网络的过程是劳力密集型的，非常具有挑战性，而且常常很麻烦。但是想象一下，如果能够将这个过程实现自动化呢？将这种想象转变为现实，就是本指南的核心内容。
我们将探索一系列的研究论文，这些论文试图解决具有挑战性的自动化神经网络设计任务。在本指南中，我们假设读者尝试过使用 Keras 或 TensorFlow 等框架从头开始设计神经网络。
（2016：Neural Architecture Search with Reinforcement Learning）
本文利用递归神经网络 (RNN) 生成神经网络的模型描述[……]
进入一个全新的领域之前，最好能够对这个领域的知识体系、技能模型有全面的了解，这样你能知道哪些是应该学习，哪些是暂时不用学的，知道什么样的路径适合自己的状况。
基于数据分析这个技能，DC 学院 —— 准备了一份『超级技能地图』，帮你快速认识数据分析的技能模块，以及不同的分支下，有哪些必备的技能，以及有哪些好用的资源。
这一张图，可以帮助你快速认识数据分析这个领域，即便你从未接触过相关的内容，也可以很清晰地建立数据分析知识框架。
这是数据分析小白必备的数据分析技能图，因为包含了 Python 数据分析全方位的技能体系，比如数据获取、SQL 数据库、Python、统计学、数据分析核[……]
Pytorch 是 Torch 的 Python 版本，是由 Facebook 开源的神经网络框架，专门针对 GPU 加速的深度神经网络（DNN）编程。Torch 是一个经典的对多维矩阵数据进行操作的张量（Tensor ）库，在机器学习和其他数学密集型应用有广泛应用。与 Tensorflow 的静态计算图不同，Pytorch 的计算图是动态的，可以根据计算需要实时改变计算图。
Vipul Vaibhaw 在 Github 开源了一份关于 Pytorch 深度学习的书册，《First steps towards Deep Learning with PyTorch》，这是一本关于深度学习的[……]
此前，我们发布了『吴恩达《机器学习训练秘籍》完整中文版』信息，目前该开源项目已迁移到新的地址。请在新的地址开始在线阅读《机器学习训练秘籍》样稿，相关代码开源地址如下：
项目 GitHub 地址[……]
本文来自于 MIT 的人工智能实验室，创作于 1988。虽然已有 30 多年，但本文作为新进硕士博士研究生的参考，绝对精辟，奉为经典。尤其当下做 AI 更需要重温。中文译本由北京师范大学信息学院 2000 级博士生柳泉波完成。
本文的主旨是解释如何做研究。我们提供的这些建议，对做研究本身（阅读、写作和程序设计），理解研究过程以及开始热爱研究（方法论、选题、选导师和情感因素），都是极具价值的。
并没有什么神丹妙药可以保证在研究中取得成功，本文只是列举了一些可能会有所帮助的非正式意见。
本文档主要是为 MIT 人工智能实验室新入学的研究生而写，但对[……]
