端到端AutoML每几天处理一次表数据。
谷歌研究人员最近将一种基于学习的方法应用于表格数据，并创建了一种可扩展的端到端AutoML技术。AutoML符合三个关键标准，包括：
全自动：不需要人工干预。输入包括数据和计算资源，输出是可服务的张量流模型。
覆盖面广：适用于许多表格数据字段中的任何任务。
高质量：模型由AutoML生成，质量堪比ML专家创建的人工模型。
AutoML第一次参加KaggleDays SF黑客马拉松，由74支队伍组成。挑战主要是预测制造缺陷，目标是提供大规模汽车零部件的材料特性和测试结果的信息。尽管他们不得不与Kaggle大师级别的参与者竞争，但Google AutoML团队最终仍排名第二。
AutoML在表格数据问题中的应用非常令人兴奋。AutoML可以实现解决表格数据问题的最先进的模型。它可以帮助ML社区解决很多问题，如欺诈检测，库存预测，在商业零售，供应链管理，金融，制造，铅转换等等。谷歌的目标是让ML更具可扩展性，加速研究和行业应用。
获得稳健Winograd模式挑战结果的提示
研究人员最近证明，在WSCR上调整现有的LMs有助于提高LM处理WSC273和WNLI的能力。他们介绍了一种生成大规模WSC样本的方法，并用它从英文维基百科创建了1100万个数据集。该方法也与WSCR一起使用，以调整预训练的BERT LM的参数。WSC273和WNLI的准确率分别为72.2%和71.9%，比之前的最优水平分别提高了8.5%和6.8%。
因为WSC的例子是用来显示像人类一样的常识和推理的，所以这项任务非常具有挑战性。在WSC的比赛中，两轮准确率达到90%的选手可以获得25000元的大奖。之前最著名的解决方案用的是深度学习，准确率63.7%。
这项研究工作是第一个突破WNLI大部分基线的模型。通过在WSCR数据集上微调BERT语言模型，改进了WSC和WNLI数据集。它有可能帮助未来Winograd模型挑战的参与者提高WSC和WNLI的准确性。
通过仿真，探索和总结了建立自动方程式SAE赛车的经验和教训。
上周晚些时候，一群研究人员宣布了他们在开发模拟自动驾驶算法方面的所有探索和经验，然后将其部署到一辆真实的汽车上。他们的工作尤其专注于方程式赛车的学生无人驾驶比赛。在这项比赛中，方程式赛车由学生设计和制造，然后他们要穿过交通标志的无形赛道。
本文的主要贡献：
设计和部署端到端的自治堆栈，您可以基于AirSim驱动自定义方程式SAE。
独特的放大显著改善了记录过程和训练模型。
详细介绍如何在真实环境中部署模拟训练系统。
仿真是人工智能在实际应用中的一项关键技术。自动驾驶汽车上路前的虚拟验证尤为必要。对于这个领域的研究人员来说，安全性非常重要。本文在各种仿真场景中发挥了巨大的作用，帮助未来的自动化软件达到更高的标准。
微软推出开源跨平台机器学习框架。
微软最近推出了ML.NET，这是一个用于构建定制机器学习库解决方案的框架。开发ML.NET是为了让开发者能够使用ML框架编写、测试和部署ML。其目前的实现包括2773K行c#代码和约74K行C代码，可以支持高性能的机器学习应用。ML.NET还支持80多个功能设置器和40个机器学习模型。
开发人员可以训练ML模型或使用第三方现有模型并在任何离线环境中运行，这意味着他们不需要数据科学背景(知识)就可以使用该框架。
ML.NET是为了响应微软数据科学家的众多需求和意见而开发的，他们将使用它来开发全球数百万人使用的服务和产品。
作为一个免费的库，ML.NET使得在大型软件应用中应用ML模型变得更加容易。该框架以易于使用的方式实现，即它提供了在大型数据集上的可扩展性，但也具有高性能和在单个API的数据转换下统一的能力。
随着ML作为现代应用开发核心元素的快速发展，ML.NET将帮助开发者将ML引入同一技术栈，以便更有效地编写和共享ML机制。
使用主动不确定性减少(AUR)来增强机器人和控制RL
对于机器人和控制来说，控制器的性能和稳定性与模拟器的模拟程度有关。在这种背景下，一组研究人员引入了一种系统动力学仿真和不确定性量化的方法，可以有效地学习控制器。
他们的方法从一个在线阶段开始，该阶段评估用数据生成的一些模拟。利用训练数据和高斯过程(GPs ),估计系统的转移动力学和报酬函数。
然后，通过自适应采样，该方法使用原则性的方式来增强低保真度模型。在离线模式下，该方法使用强化学习和近端策略优化(PPO)等无模型方法来提高模型保真度和优化控制器策略。
本文结合了基于模型和无模型方法的优点，实现了稳定控制器的开发，提高了机器人和控制器的有效数据。现实世界中的机器人制造成本很高。该研究工作有助于简化过程，为复杂系统动力学提供更好的建模能力。
