“每天AI资讯这么多!该看哪些?”推荐一份优质资料清单

原作 BAILOOL & meetshah1995 Root 编译自 GitHub 量子位 出品 | 公众号 QbitAI

人工智能最近火到炸裂,不看吧担心和时代脱节,看吧每天资讯多到想哭,信息过载心好累肿么办?

来<( ̄︶ ̄)↗跟着GitHub上的资深用户BAILOOL走,看看他们每日追踪的信息源,拿到第一手的学术进展和行业动态,不用再追着不同的网站看啦。

以下是原文

怎么避免“从入门到放弃”

不少童鞋发现人工智能很火,产生墙裂的学习兴趣(主要是工资高dei不dei),所以现在想上车学习,于是开始到处看“一文看懂”系列,或者开始修AI领域大牛的课程。

结果却发现,看完之后什么也没看懂。或者课程听起来很吃力,慢慢觉得自己智商跟不上,不像是这块料,就放弃了。

上车姿势不对啊童鞋们!知道大家刚开始控制不住寄几,疲于奔命地到处搜罗入门资料和课程,GitHub上的好心人就整理一份机器学习上车指南,包含精挑细选的一手资讯、经无数人验证的教程和高质量的信息源。

Step 1:刚迈脚上车,然后要干嘛

下了决心要转行AI,就等于一只脚上了车,不过一上来也别给自己整太大压力,上来就看大砖头的书或者报一门课程。

先来点简单的,好培养自己的兴趣和耐力,比如说,泡泡论坛。特别是如果你现在啥也不太懂,建议你每天打开电脑之后,别和妹纸聊微信了,别看农药解说的直播了。克制一下自己内心的及时行乐?

好好在Reddit这几个论坛上泡一会,泡它一个早上:

  • machine_learning (https://www.reddit.com/user/techrat_reddit/m/machine_learning/)
  • MachineLearning (https://www.reddit.com/r/MachineLearning/)
  • computervision (https://www.reddit.com/r/computervision/)
  • learnmachinelearning (https://www.reddit.com/r/learnmachinelearning/)

还有,Quora上的这几个板块也有很多料,:

  • Machine Learning (https://www.quora.com/pinned/Machine-Learning)
  • Computer Vision (https://www.quora.com/pinned/Computer-Vision)
  • Deep Learning (https://www.quora.com/pinned/Deep-Learning)
  • Reinforcement Learning (https://www.quora.com/pinned/Reinforcement-Learning)

Step 2:站久了该找个座啦

等到什么时候,你看论坛的内容吃不饱,觉得自己需要更高阶的知识充电,就可以转战去arXiv读论文了。

简单介绍一下(以下信息来自Wiki),arXiv呢,是个收集物理学、数学、计算机科学与生物学的论文预印本的网站。将预稿上传到arvix作为预收录,可以防止自己的idea在论文被收录前被别人剽窃。

因此arXiv是个可以证明论文原创性(上传时间戳)的文档收录网站。现今的很多科学家习惯先将其论文上传至arXiv.org,再提交予专业的学术期刊。

  • Computer Vision and Pattern Recognition (https://arxiv.org/list/cs.CV/recent)
  • Artificial Intelligence (https://arxiv.org/list/cs.AI/recent
  • Learning (https://arxiv.org/list/cs.LG/recent)
  • Neural and Evolutionary Computing(https://arxiv.org/list/cs.NE/recent)

不过arXiv有个缺点,就是自己搜索相应的论文很麻烦。

所以有个大神,Andrej,建立了一个论文自动推送网站arxiv-sanity.com,用户在上面建立一个自己的账号之后,往上丢几篇感兴趣的文章,这个网站就可以自动推送从arXiv上搜来且符合用户兴趣方向的相关论文。

Step 3:听听懂路的老司机报下站

如果读完论文之后,感觉一脸大写的懵✘,辣可以上ShortScience.org那转转。

这个网站是专门的论文讨论网站,上面有很多大牛点评同行的工作,或者读paper时做的笔记。大家看paper时也喜欢扎堆在ShortScience上发表自己的观点和看法。

特别适合刚上车的新手,如果自己读paper功力不太够,get不到重点,需要有人导读啥的,那么可以上这个网站去看看其他大牛对这篇论文的评论(有点儿像看完电影,总是习惯性上豆瓣看影评的赶脚)

Step 4:看看别人怎么开车

另外,还有个把paper和code整理到了一起的网站GitXiv.com,看名字就知道相当于GitHub和arXiv的合体。

在这个圈子里,已经形成了一股趋势,学术上一有最新进展,科学家都会把paper往arXiv上扔,然后没几天开发者们就把完成需求的开源代码抢发在GitHub上,大家执行力都超强的说。

不过,两个出处的链接没有个统一的地方可以关联在一起,不方便大家检索,也不方便大家横向比较和讨论,所以产生了这么个根据地GitXiv,供大家扎堆,还可以同行打分评论。

至于怎么上手自己开车,第5步之后就要靠大家去摸索啦,最后分享几个高质的信息源给大家。

最后:一手+高质+深度的信息feed

到现在这个阶段,可能一般的信息流已经满足不了你了。扔几个我们圈内人都会锁定的频道:

  • HackerNews (https://news.ycombinator.com/news) 硅谷技术圈和投资圈都会关注的新闻网站,资讯不仅和AI有关,还会涉及到创业和信息安全,需要自己筛选。
  • DataTau(datatau.com) 专门给数据科学家看的HackerNews。
  • AITopics (https://aitopics.org/search) 可以自己设置订阅规则或者订阅源的资讯阅读器。

油管上有几个频道做得也不错,可以挑一个跟就好:

  • 3Blue1Brown (https://www.youtube.com/channel/UCYO_jab_esuFRV4b17AJtAw)
  • Two Minute Papers (https://www.youtube.com/channel/UCbfYPyITQ-7l4upoX8nvctg)
  • Robert Miles (https://www.youtube.com/channel/UCLB7AzTwc6VFZrBsO2ucBMg)
  • Siraj Raval (https://www.youtube.com/channel/UCWN3xxRkmTPmbKwht9FuE5A)

几家AI巨头的官方博客也挺值得跟,可以扔进订阅源里:

  • Google (https://research.googleblog.com/)
  • Facebook (https://research.fb.com/blog/)
  • Nvidia (https://blogs.nvidia.com/blog/category/deep-learning/)
  • Apple (https://machinelearning.apple.com/)

更新频率有点儿低,不过每次更新都是猛料的:

  • Google Scholar (https://scholar.google.com/)
  • ResearchGate (https://www.researchgate.net/)
  • Distill (https://distill.pub/)

推特上活跃的领域大牛必须关注一波(什么?你还没有推特?那你怎么活在AI圈子里!快,别墨迹,现在就去搞一个账号):Deep Learning Hub;Marshall Kirkpatrick;Lynn Cherny;Top-N;Top 10 AI;Text Data, Vis & Art。

这里就提这么几个人,等你到推特上之后关注完,推特会自己再给你推相关的大神的。

最后,有几个私人博客我觉得信息筛选的质量都符合我平时阅读的标准,大家挑一个喜欢的就好:

  • The Wild Week in AI (https://www.getrevue.co/profile/wildml) 周更,上面时不时还会有初创团队招人信息放出来,比较适合找工作的孩纸。
  • inFERENCe(inference.vc) 不定期更,博主是隔了三年没碰机器学习,然后重新捡回来相关的研究进展。这个博是他个人的一个学习机器学习的成长记录地。
  • The Morning Paper (https://blog.acolyer.org/) 日更,这个博客是一个原本什么都不懂的VC开的,初心是想开始积累自己在ML领域的认知,资讯的选取更多是从投资者的角度出发。
  • Inside AI (https://inside.com/ai) Inside网站旗下的AI话题板块,专注于资讯的深度。现在大多数新闻都是为了流量,吸引读者的眼球,而很少考虑读者的收获,导致优质新闻的产出和占道越来越少,很难到达渴望深度内容的读者。所以,Inside AI希望经过他们的筛选,订阅用户能重新获取有价值的新闻资讯。

最后,附上原文链接: https://github.com/BAILOOL/DoYouEvenLearn/blob/master/README.md

原文发布于微信公众号 - 量子位(QbitAI)

原文发表时间:2017-12-04

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏AI科技评论

动态 | 听说 NIPS 2018 门票十分钟卖光,机器学习圈子炸了锅

AI 科技评论按:全世界都知道人工智能火、机器学习火。具体火到了什么程度呢?昨晚 NIPS2018 的售票情况可谓是最直观、也最惊人的展现了,作为一个研究人员们...

1133
来自专栏DT数据侠

春节抢票的最佳时机,都在这350亿机票价格数据里了

对于旅游或者探亲来说,买机票的一个最基本的问题是什么时候能买到最便宜的机票?提前一个月还是一周?网络上各种旅游“业内人士”也说提前一个月可能买到最便宜的机票,有...

770
来自专栏腾讯云安全的专栏

鉴黄界的“Master”,其实是“他”

2484
来自专栏数据的力量

用工程师的思维加上 3D 建模,熬出一碗浓浓的鸡汤

1623
来自专栏ATYUN订阅号

超级计算模拟和机器学习:使用更加清洁高效的工作流体发电

在传统的蒸汽动力装置中,剩余的水必须与发电蒸汽分开。这一过程限制了效率,而在早期的发电厂,可能会发生剧烈的变化,导致爆炸。在20世纪20年代,Mark Bens...

1052
来自专栏机器之心

NIPS 官方公告「更名」结果......

NIPS 可以说是今年 AI 领域话题最多的学术会议了,无论是备受争议的同行评审、门票 11 分钟售罄,还是从年初到年底的更名风波。特别是为了更名,NIPS 官...

932
来自专栏Python中文社区

Python分析《羞羞的铁拳》电影观众评论

專 欄 ❈ 伟楠,Python中文社区专栏作者,数据分析师,知乎专栏:数据故事会。 https://www.zhihu.com/people/hao-wei-...

3117
来自专栏量子位

DOTA 2血虐人类的OpenAI,原来靠的是作弊?

美国媒体Motherboard指出了OpenAI Five在这场人机大战中的几个可疑之处。

1162
来自专栏机器人网

怎样撰写技术论文

---- 很多人都有写技术文档的经验,还有发表职称论文,如何写专业的论文?下面的文章会对你有帮助!!! 怎样撰写技术论文 1 技术论文 的一般格式和具...

2865
来自专栏AI科技评论

阿里量子实验室最新成果:全球最强量子电路模拟器「太章」诞生

基于阿里巴巴集团计算平台在线集群的超强算力,「太章」在世界上率先成功模拟了 81(9x9)比特 40 层的作为基准的谷歌随机量子电路。

1475

扫码关注云+社区

领取腾讯云代金券