文章标题的嵌入可以预测受欢迎程度吗？我们可以从中了解情绪与股票之间的关系？word2vec可以帮助我们回答这些问题，等等。
Blog
OpenAI GPT-2：通过可视化理解语言生成
超大型语言模型如何能够完成您的想法？通过可视化的方式来看看OpenAI 的 GPT-2 是如何生成文章的。让我们看看可视化是否可以帮助我们更好地理解这个模型。
“免费”吴恩达新课程《TensorFlow：从入门到精通》
《TensorFlow：从入门到精通》是 Deeplearning.ai 的一系列实践课程，由吴恩达老师参与开发并执教，除了吴恩达老师，该课程的另一重量级教师为 Laurence Moroney 博士。
人工智能和数据科学的十大角色
应用数据科学是一项高度跨学科的团队运动。透视的多样性很重要！事实上，观点和态度至少与教育和经验一样重要。如果您希望通过决策智能工程方法使数据变得有用，那么这就是我对团队发展的顺序的看法。
关于 TensorFlow，你应该知道的 9 个重点
TensorFlow 是一个强大的机器学习框架，本文介绍关于 TensorFlow 的9个特点，主要针对想要了解 TensorFlow 的技术人员和非技术人员。同时本文还包含了大量有用的资源，可以帮助大家更全面的了解和学习。
CNN已老，GNN来了！清华大学孙茂松组一文综述GNN
深度学习无法进行因果推理，而图模型(GNN)或是解决方案之一。清华大学孙茂松教授组发表综述论文，全面阐述GNN及其方法和应用，并提出一个能表征各种不同GNN模型中传播步骤的统一表示。文中图表，建议高清打印过塑贴放手边作参考。
DeepMind、谷歌大脑、MIT等27位作者重磅论文，图网络（Graph network）让深度学习也能因果推理
DeepMind联合谷歌大脑、MIT等机构27位作者发表重磅论文，提出“图网络”（Graph network），将端到端学习与归纳推理相结合，有望解决深度学习无法进行关系推理的问题。
图神经网络（GNN）也许是 AI 的未来
图神经网络(Graph NN)是近来的一大研究热点，尤其是DeepMind提出的“Graph Networks”，号称有望让深度学习实现因果推理。但这篇论文晦涩难懂，复星集团首席AI科学家、大数医达创始人邓侃博士，在清华俞士纶教授团队对GNN综述清晰分类的基础上，解析DeepMind“图网络”的意义。
谷歌NLP深度学习模型BERT特征的可解释性表现怎么样？
2018年10 月初，Google AI 提出了一种新的上下文词表征——BERT 特征。本文对 BERT 特征进行了介绍，并简要分析了 BERT 特征的可解释性。
对话周明：回望过去，展望未来，NLP有哪些发展趋势？
微软亚洲研究院副院长、ACL主席周明博士接受“机器之心”专访，从宏观层次和技术层面探讨了NLP的研究进展及未来发展趋势。以下为周明博士专访内容精选。