Hugging Face 教程：如何在 Twitter 上做情感分析（含代码与无代码方案）
Hugging Face 发布入门教程，讲解如何用 Inference API 对 Twitter 推文做情感分析，分 coder 与非 coder 两条路径。
推荐理由：教程同时给出代码和无代码两条路径，用 Tweepy 加 Inference API 分析 Notion 相关推文，方法可直接复用到其他品牌。
AI 资讯AI 每天都在变，
AI 每天都在变，
这里一页看完
全球 AI 公司、研究机构和媒体的最新动态，自动挑出值得看的，全天自动更新。
更新于 10月16日 03:54 · 每小时自动更新
7月7日 周四1 条
6月7日 周二1 条
Hugging Face 详解扩散模型：逐行实现 The Annotated Diffusion Model
Hugging Face 发布教程，基于 Ho et al. 2020 的 DDPM 论文和 Phil Wang 的实现，用 PyTorch 逐步拆解并实现去噪扩散概率模型。
推荐理由：原文从数学推导到完整 PyTorch 代码逐段拆解 DDPM，读者可以照此动手实现一个可训练的扩散模型。
5月20日 周五1 条
Hugging Face 深度强化学习课程 Unit 2 第二部分：Q-Learning 原理与从零实现
Hugging Face 深度强化学习课程发布 Unit 2 第二部分，讲解 Q-Learning 算法、Q-Function 与 Q-Table，以及 Epsilon Greedy 策略和 TD 更新，并区分 off-policy 与 on-policy。
推荐理由：课程官方教程用迷宫示例逐步拆解 Q-Learning 算法和 Q 表更新，读者可跟着 Colab 从零实现第一个 RL 智能体。
2月20日 周日1 条
数据不足情况下的学习第二部分：主动学习
监督学习任务的性能依赖于高质量标注数据，但获取大量标注样本成本高昂。主动学习是一种在标注预算有限、但允许投入部分人工标注资源的条件下，应对标注数据不足的范式。其核心思路是智能地选择最具信息量的样本进行标注，以在有限预算内最大化模型性能的提升。该方法旨在解决当面临标注数据受限时，如何通过策略性采样来高效利用标注资源的问题。
推荐理由：这是 Lilian Weng 数据不足系列的第二篇，把主动学习的核心采样策略和实际权衡讲得很清楚，做数据标注和 ML 工程的同学值得复习一遍。
3月1日 周日1 条
如何用 Transformers 的不同解码方法生成文本
Hugging Face 发布教程，讲解在 Transformers 中使用不同解码方法进行语言生成。文章覆盖多种 decoding 方法的选择与使用方式，原文正文未能抓取，仅标题可用。
推荐理由：原文系统讲解 Transformers 中不同文本解码方法的用法与差异，读者可按需选择生成策略。
9月5日 周四1 条
进化策略
进化策略是一种在目标函数解析形式未知或无法直接计算梯度时，用于优化模型参数的黑箱优化算法。它作为随机梯度下降的替代方案，适用于多种优化场景。文章介绍了模拟退火、爬山法、Nelder-Mead方法等经典进化策略，并探讨了该方法在深度强化学习中的应用。通过评估目标函数值而非依赖梯度信息，进化策略为复杂优化问题提供了有效路径。
推荐理由：这篇五年前的进化策略入门，至今仍是理解黑箱优化的最佳起点，Lilian Weng的笔法清晰，做RL的朋友可以当字典翻。
11月8日 周四1 条
OpenAI 发布深度强化学习教育资源 Spinning Up in Deep RL
OpenAI 发布 Spinning Up in Deep RL，一套旨在让任何人学会成为深度强化学习熟练从业者的教育材料。资源包含清晰的 RL 代码示例、教育性练习、文档和教程。
推荐理由：OpenAI 自家发布的深度强化学习教育资源，代码示例、练习和教程齐全，适合想系统入门深度 RL 的开发者按图索骥。
4月8日 周日1 条
策略梯度算法
该文章系统梳理了策略梯度算法的发展脉络，深入解析其工作原理，并详细介绍了从基础到前沿的多种算法，包括PPO、SAC、TD3、IMPALA等主流方法。文章自2018年起持续更新，陆续新增了D4PG、SVPG、PPG等新算法，并补充了关于PPO的最新讨论。文中还提供了韩语及中文等多个语言版本的翻译，便于不同读者参考。
推荐理由：这篇是当年策略梯度方法的“圣经”级综述，现在看虽然有些过时，但想理解PPO、SAC的来龙去脉还得从这儿啃起。