0
| 本文作者： skura | 2019-09-07 19:24 |
雷鋒網(wǎng) AI 開發(fā)者按，在 AI2，員工的人工智能和機(jī)器學(xué)習(xí)資源和咖啡一樣多。因此，經(jīng)常有技術(shù)和非技術(shù)的朋友向他們咨詢?nèi)绾潍@得關(guān)于人工智能的資源，這些朋友渴望了解更多關(guān)于這個(gè)熱門話題的信息。這并不是說這些人不會(huì)在谷歌上搜索，而是因?yàn)榫W(wǎng)上的資源太多了，很難分辨哪些是好的，哪些是不好的；什么是基本的介紹，什么是高級(jí)進(jìn)階所需要的。
作為回應(yīng)，AI2 的工作人員列出了一份高質(zhì)量資源的簡要清單。為了簡潔，他們放棄了一部分資源的完整性。但是，他們正在 AI2 維護(hù)這些資源的「活動(dòng)文檔」，因此如果你有什么意見，請(qǐng)?jiān)谠u(píng)論部分指出來，他們將不定期的更新和完善列表。
如果你是工程師，可以向下滾動(dòng)，在下一節(jié)中找到技術(shù)資源。
非技術(shù)資源
如果你想要看下人工智能的簡單介紹，請(qǐng)看 MIT Technology Review 的摘要：What is AI？
這個(gè)總結(jié)可以和機(jī)器學(xué)習(xí)術(shù)語的概述一起學(xué)習(xí)：What is Machine Learning?
這兩本書的作者都是 Karen Hao，書中有很多漂亮的流程圖來加深你的理解，這是這兩本書的一大特色。
為了全面了解人工智能及其應(yīng)用，推薦 Andrews Ng's 的 AI for Everyone Coursera 系列課程。
打破人工智能的一些過分追捧
下面推薦 Oren Etzioni 的熱門文章，這幾篇文章都很簡短：
Deep Learning Isn’t Magic（Wired，2016 年）
No, the Experts Don’t Think Superintelligent AI is a Threat to Humanity（麻省理工科技評(píng)論，2016 年）
AI Won’t Exterminate Us — it Will Empower Us（Backchannel，2014 年）
如果你想要更深入的了解，麻省理工學(xué)院教授 Erik Brynjolfsson 和 Andrew McAfee 的這篇發(fā)表在哈佛商業(yè)評(píng)論文章會(huì)很合適，這篇綜述非常具有洞察力：The Business of Artificial Intelligence。
關(guān)于監(jiān)管和道德問題，我們建議閱讀：
Should AI Technology Be Regulated?: Yes, and Here’s How (Oren Etzioni, CACM, 2018 年)
Are We Having An Ethical Crisis in Computing? (Moshe Vardi, CACM, 2019 年)
Ethically Aligned Design, First Edition (IEEE, 2016 年)
進(jìn)一步閱讀
最后，這里推薦兩本優(yōu)秀的書，這兩本書概述了該領(lǐng)域及其對(duì)未來的影響：
The Master Algorithm: How the Quest for the Ultimate Learning Machine Will Remake Our World，作者是保羅·G·艾倫華盛頓大學(xué)計(jì)算機(jī)科學(xué)與工程學(xué)院的教授 Pedro Domingos。
Machine, Platform, Crowd: Harnessing Our Digital Future，作者是麻省理工學(xué)院首席研究科學(xué)家 Andrew McAfee 和麻省理工學(xué)院數(shù)字商務(wù)中心主任 Erik Brynjolfsson。
工程技術(shù)資源
如果需要最基礎(chǔ)的介紹，工程師可以從 AI2 團(tuán)隊(duì)成員準(zhǔn)備的這些人工智能概述開始：
如果要更深入地了解，推薦 UW 教授 Pedro Domingos 的這篇有見地的評(píng)論文章：A Few Useful Things to Know about Machine Learning
培養(yǎng)自己的機(jī)器學(xué)習(xí)技能
許多人推薦在線課程，包括：
Andrew Ng 的 Machine Learning 課程
Carlos Guestrin 和 Emily Fox 教授創(chuàng)建的Coursera & UW’s Machine Learning Specialization
對(duì)于深度學(xué)習(xí)，我們推薦以下內(nèi)容：
RL&Deep 的真正入門教程：Faizan Shaikh 的博客帖子 Simple Beginner’s Guide to Reinforcement Learning & its Implementation。
Andrew Trask 的書《Grokking Deep Learning》，教你從頭開始構(gòu)建深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)。
fast.ai 中的代碼介紹： Deep Learning from the Foundations 展示了如何從頭開始構(gòu)建最先進(jìn)的深度學(xué)習(xí)模型。
Andrew Ng 的 follow up Deep Learning 解釋了 CNN 和 RNN 的原理以及如何應(yīng)用它們
The 3Blue1Brown YouTube series on neural networks：可能是深度學(xué)習(xí)計(jì)算機(jī)視覺的最佳學(xué)習(xí)資源（尤其是關(guān)于反向傳播的第 3、4 章）。適合有微積分背景，但對(duì)深度學(xué)習(xí)不太熟悉的中級(jí)技術(shù)人員。
斯坦福大學(xué)和 CMU 在的在線課程材料：
附加技術(shù)資源
如果此列表不足以滿足你的需求，請(qǐng)參閱 Aditya Gupta 提供的其他資源：Best Resources to learn AI, Machine Learning & Data Science。
他們還推薦 AI2 的 JoelGrus 寫的 Data Science from Scratch: First Principles with Python 這本書。請(qǐng)注意使用第二版（第一版就有很多正面評(píng)論！）。
最后，這里是 Joel 在 tweet 上的一條實(shí)用注釋：
PS：要了解 AI2 的最新研究，請(qǐng)訂閱 AI2 Newsletter，還可以關(guān)注 @allen_ai 這個(gè) twitter 。
雷鋒網(wǎng)雷鋒網(wǎng)
雷峰網(wǎng)版權(quán)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。
