OpenAI 学者 2018：最终项目
我们的第一批开放人工智能学者现已完成该计划。在过去的三个月里，我们已经看到了经验丰富的软件开发人员可以多么迅速地成为机器学习从业者。所有八位学者制作了一个令人兴奋的最终项目，并将继续在机器学习领域工作或教学。
我们将举办学者演示日在OpenAI上展示他们的工作。我们的学者将在今年夏天谈论他们的工作，然后与学者和其他OpenAI人员进行问答，交流和茶点。此活动对所有感兴趣的人开放 - 只需在下面的链接中回复即可！
回复演示日
我们计划在2019年重复学者计划。该计划向来自该领域代表性不足的群体的人开放，我们认为，只有当该领域有更好的代表性时，人工智能才会使每个人都受益。我们还将在未来几个月发布有关第一批人的案例研究，以帮助其他组织在自己的公司推出类似的计划。
最终项目
克里斯汀·佩恩
导师：卡尔西克·纳拉西姆汉
作品来自：加利福尼亚州旧金山
克里斯汀·佩恩的社交链接
有趣的学习：“今年夏天，我对强化学习有了基本的了解，并学会了如何在Unity游戏引擎中使用Tensorflow来创建多智能体足球游戏。我还学到了很多关于语言建模的知识（通过我的音乐生成项目）。我对PyTorch和TensorFlow的感觉比夏天开始时要流利得多。
最终项目：调整当前的语言建模技术，通过两种不同的方法（音符和和弦）对古典音乐进行建模，并具有并行字符和单词级别的语言模型。这使您可以生成独奏钢琴音乐或钢琴和小提琴室内音乐。您还可以选择在大型音乐数据库上或仅在特定作曲家或风格上训练生成模型。该项目还包含一个音乐评论家网络，该网络对音乐样本是真的还是假的进行评分，另一个试图确定谁创作了样本。
多拉波·马丁斯
导师：杰弗里·欧文
作品来自：马里兰州巴尔的摩
多拉波·马丁斯的社交链接
有趣的学习：“这个夏天与OpenAI合作真是太棒了。学者社区一直给予真正的支持。每个人都为我们的成功带来了难以置信的归属感。我学到的一件事是图片对于更深入的理解是多么重要。我的导师鼓励我画出并解释我所做的事情背后的数学和过程。我发现在线博客文章对我帮助最大，这些文章描绘了正在发生的事情。我还对数据生成和特征工程有了更深的了解。我从这次经历中得到的最令人惊奇的事情是有信心知道我实际上可以在这个领域工作。
最终项目：在SemEval STS Task轨道4上构建了一个性能良好的模型;探索了模型的不同迭代，从LSTM到Transformer架构再到RNN。
下一步：在微软担任工程师一年，然后于 2019 年在伊利诺伊大学攻读计算机科学和语言学双博士学位。
汉娜·戴维斯
导师：艾米丽·丹顿
作品来自：纽约州纽约
汉娜·戴维斯的社交链接
霍莉·格林
导师：克里斯蒂·丹尼森
作品来自：新墨西哥州圣达菲
霍莉·格林的社交链接
有趣的学习：“我非常感谢我在OpenAI的三个月。在最初的两个月里，我能够了解最新的强化学习算法和OpenAI的工具包。在我的最终项目中，我能够学习使用多个输出进行训练，使用额外的损失项修改 CycleGAN 模型，并增加我对 Tensorflow 和 Keras 的经验。在机器学习的背景下，我学会了耐心、毅力，并花一些时间思考。这些品质帮助我每周完成不同的项目。此外，我发现写下我的经历有助于澄清我对项目的想法，并提出一些有趣的解决方案。
最终项目：一个艺术合成属性网络，该网络具有预训练的 ResNet50 网络，该网络对八个不同的艺术合成属性进行了微调，在 CycleGAN 网络中使用，通过为每个艺术属性设置目标值来生成艺术合成。
伊夫·阿涅梅卡
导师：伊戈尔·莫达奇
作品来自：伊利诺伊州芝加哥
Ifu Aniemeka的社交链接
穆纳什·松巴
导师：亚萨曼·巴赫里
作品来自：纽约州纽约
穆纳什·舒姆巴的社交链接
- 唽：@munashe
有趣的学习：“在程序之前，我在教程中看到了TensorFlow代码，但我自己没有使用过它。在程序期间，我必须探索并熟悉 TF 库中的代码，并修改库以使它们处理新数据。我现在更了解这个领域了。阅读和理解论文更容易。在这个项目之前，阅读深度学习论文需要很长时间，因为每隔几句话我就会遇到一个我以前从未听说过的术语或概念。现在，当我阅读一篇论文时，我理解了术语以及为什么作者可能会做出某些选择。我还了解了这个行业的其他人如何构建深度神经网络——常见的实践、突出的架构和流行的数据集、工具等。了解这一点有助于我知道从哪里开始新项目。
最终项目：探索在 LSTM 中使用语义树作为更好地表示句子中实体之间关系的一种方式。
娜佳·罗德斯
导师：娜塔莎·雅克
作品来自：华盛顿州西雅图
Nadja Rhodes的社交链接
- 唽：@ohnadj
有趣的学习：“我很感激这个项目为我在深度学习和NLP的交叉点上提供了自学的时间和空间。我发现并完善了我的博客声音，包括比以往任何时候都更多的视觉叙事。我更习惯使用深度学习框架，尤其是PyTorch和Keras。我现在有构建端到端深度学习产品的经验。没有这个支持系统，我不可能做到这一点！
最终项目：@deephypebot是一个音乐评论生成器。它本质上是一种语言模型，根据过去从网络上创作的人类音乐进行训练，并以引用音乐的属性为条件。还有一个额外的训练步骤，试图鼓励这种类型中常见的某种类型的描述性、几乎是华丽的写作。我们的目标是教这种语言模型，以产生关于歌曲的持续良好和有趣的新作品。
索菲亚·阿拉克良
导师：亚历克·拉德福德
作品来自：加利福尼亚州旧金山
索菲亚·阿拉克良的社交链接
有趣的学习：“在这个项目中，我显着提高了我在人工智能方面的专业知识。我变得更加习惯于从头开始构建模型，使用TensorFlow，并对强化学习有了大致的了解。通过许多常见算法的低级实现，如word2vec，简单的RNN，LSTM和各种文本预处理方法，我对NLP有了更深入的理解。在我的最后一个项目中，我将 NLP 与 RL 相结合，其中代理根据命令在 Gridworld 环境中实现目标单元。该项目将被修改为更多的语言条件，作为迈向扎根语言学习的一步。
下一步：Sophia将继续接受机器学习教育，以期从事人工智能研究。
学者演示日
为了结束第一届学者，我们将于20月<>日在OpenAI的办公室将所有学者与ML社区的成员聚集在一起，参加演示日。在这里，学者们将展示他们的工作，并与其他与会者讨论他们的经验和未来的ML目标。如果您有兴趣并想参加，在此注册.我们将录制他们的演讲，稍后分享。
我们迫不及待地想看看我们的学者在未来如何继续为 ML 社区做出贡献！
相关文章
近期评论
-
来自： GPT-4V（ision）系统卡
-
来自： GPT-4V（ision）系统卡
-
来自： OpenAI研究 用对抗样本攻击机器学习