“每天AI资讯这么多!该看哪些?”推荐一份优质资料清单

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。




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



    via QbitAI


Geek豪哥   iGeekBar社区大管家

iGeekBar创始人之一,热爱科技与设计,正在探索研究数据科学的女猿,最爱勾搭极客帅哥美女的逗比疯姑娘~~
     扫一扫立刻加入iGeekBar会员QQ群(545980198)
    和更多iG客会员交流分享吧~