文章標題的嵌入可以預測受歡迎程度嗎？我們可以從中了解情緒與股票之間的關係？word2vec可以幫助我們回答這些問題，等等。
Blog
OpenAI GPT-2：通過可視化理解語言生成
超大型語言模型如何能夠完成您的想法？通過可視化的方式來看看OpenAI 的 GPT-2 是如何生成文章的。讓我們看看可視化是否可以幫助我們更好地理解這個模型。
「免費」吳恩達新課程《TensorFlow：從入門到精通》
《TensorFlow：從入門到精通》是 Deeplearning.ai 的一系列實踐課程，由吳恩達老師參與開發並執教，除了吳恩達老師，該課程的另一重量級教師為 Laurence Moroney 博士。
人工智能和數據科學的十大角色
應用數據科學是一項高度跨學科的團隊運動。透視的多樣性很重要！事實上，觀點和態度至少與教育和經驗一樣重要。如果您希望通過決策智能工程方法使數據變得有用，那麼這就是我對團隊發展的順序的看法。
關於 TensorFlow，你應該知道的 9 個重點
TensorFlow 是一個強大的機器學習框架，本文介紹關於 TensorFlow 的9個特點，主要針對想要了解 TensorFlow 的技術人員和非技術人員。同時本文還包含了大量有用的資源，可以幫助大家更全面的了解和學習。
CNN已老，GNN來了！清華大學孫茂松組一文綜述GNN
深度學習無法進行因果推理，而圖模型(GNN)或是解決方案之一。清華大學孫茂松教授組發表綜述論文，全面闡述GNN及其方法和應用，並提出一個能表徵各種不同GNN模型中傳播步驟的統一表示。文中圖表，建議高清打印過塑貼放手邊作參考。
DeepMind、谷歌大腦、MIT等27位作者重磅論文，圖網絡（Graph network）讓深度學習也能因果推理
DeepMind聯合谷歌大腦、MIT等機構27位作者發表重磅論文，提出「圖網絡」（Graph network），將端到端學習與歸納推理相結合，有望解決深度學習無法進行關係推理的問題。
圖神經網絡（GNN）也許是 AI 的未來
圖神經網絡(Graph NN)是近來的一大研究熱點，尤其是DeepMind提出的「Graph Networks」，號稱有望讓深度學習實現因果推理。但這篇論文晦澀難懂，復星集團首席AI科學家、大數醫達創始人鄧侃博士，在清華俞士綸教授團隊對GNN綜述清晰分類的基礎上，解析DeepMind「圖網絡」的意義。
谷歌NLP深度學習模型BERT特徵的可解釋性表現怎麼樣？
2018年10 月初，Google AI 提出了一種新的上下文詞表徵——BERT 特徵。本文對 BERT 特徵進行了介紹，並簡要分析了 BERT 特徵的可解釋性。
對話周明：回望過去，展望未來，NLP有哪些發展趨勢？
微軟亞洲研究院副院長、ACL主席周明博士接受「機器之心」專訪，從宏觀層次和技術層面探討了NLP的研究進展及未來發展趨勢。以下為周明博士專訪內容精選。