2019年度最佳17个机器学习项目精选

本文为您推荐2019年最受欢迎的17个机器学习项目。这些项目不仅具有创新性，而且在各自领域内取得了显著成果。

1. 无监督图像转换（913赞）

英伟达的研究团队开发了一个名为FUNIT的模型，能够实现小样本下的非监督图像转换。只需少量样本，FUNIT就能捕捉新图片中的姿态和特征，并将其应用于样本图像中。

2. 自动生成二次元人物（512赞）

通过Waifu自动贩卖机，用户可以选择自己喜欢的角色并生成相应的二次元人物形象。这一工具极大地简化了角色创作的过程。

3. 机器学习数据集资源列表（499赞）

该资源提供了大量适用于机器学习实验的数据集列表，涵盖了计算机视觉、自然语言处理、自动驾驶、问答系统、音频和医疗等多个领域。

4. “烂番茄”影评数据集（464赞）

作者收集了“烂番茄”网站上的48万条影评，这些评论在自然语言处理任务中非常有用。数据集还可以在Google云端硬盘上找到。

5. 基于机器学习的智能猫门（464赞）

这款猫门利用机器学习技术判断猫嘴里是否含有物品。当猫嘴中有东西时，猫门会自动锁住15分钟，防止猫将死物带进屋内。

6. 基于点的图形生成（415赞）

这项研究提出了一种新的基于点的复杂场景建模方法。它使用原始点云作为场景的几何表示，并通过神经渲染技术生成新的视角。

7. AdaBound优化器（402赞）

AdaBound是一种结合了Adam和SGD优点的优化器，能够有效提升模型的训练效果。它已经实现了现成的PyTorch版本。

8. 打败人类的德州扑克AI（390赞）

Pluribus是首个在六人有限德州扑克游戏中战胜人类的AI。它通过自我对战来学习策略，无需任何外部指导。

9. NumPy实现的多种机器学习模型（388赞）

numpy-ml 是一个持续更新的机器学习模型和算法库，所有模型都是用NumPy和Python标准库实现的。

10. PyTorch实现的17种深度强化学习算法（388赞）

作者提供了17种深度强化学习算法的PyTorch实现，包括DQN、DQN-HER、Double DQN、REINFORCE、DDPG、PPO、SAC等。

11. AI生成的人脸（373赞）

该项目利用NVIDIA的StyleGAN生成了100万张逼真的人脸图像，供用户下载和使用。

12. 教神经网络驾驶赛车（358赞）

该工具通过游戏机制教会神经网络如何驾驶赛车，使其能够在短时间内掌握驾驶技巧。

13. 将机器学习模型转化为本地代码（345赞）

这个轻量级库提供了将训练好的模型转换为本地代码的方法，支持多种编程语言，包括Python、C、Java、Go、JavaScript、Visual Basic和C#。

14. 探索神经网络的损失景观（345赞）

该研究探讨了神经网络损失面的不同形态，揭示了损失景观中的有趣特性，对于优化过程具有重要意义。

15. 基于GPT-2的Reddit机器人（206赞）

该Reddit机器人基于OpenAI的GPT-2模型构建，可以根据用户的输入生成文本回复。

16. Super SloMo：慢动作视频转换（332赞）

Super SloMo 是一种可以将普通视频转换为慢动作视频的算法，由英伟达提出并已用PyTorch实现。

17. NLP预训练模型库（206赞）

这个开源库汇集了多种基于Transformer的预训练模型，包括BERT、RoBERTa、XLM、DistilBert、XLNet等。

希望这些项目能给您的研究带来灵感和帮助！