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。
作者信息
Mybridge，专业文章排名
本文由阿里云云栖社区组织翻译。
文章原标题《Learn Machine Learning from Top 50 Articles for the Past Year (v.2019)》，译者：海棠，审校：Uncle_LLD。
文章简译，更为详细的内容，请查看原文。
