如何学习人工智能?这里有一份机器学习/AI领域最高质量的资源列表

国际新闻 阅读(1109)

原标题:如何学习人工智能?这是机器学习/AI

中最高质量资源的列表

根据雷锋人工智能开发人员的说法,AI2中的人工智能和机器学习资源与咖啡一样多。因此,技术和非技术的朋友经常向他们咨询如何获得人工智能的资源,这些朋友都渴望更多地了解这个热门话题。这并不是说这些人不会在Google上搜索,而是因为互联网上的资源太多,很难区分好的和坏的。什么是基本介绍,什么是高级进步所需要的。

作为回应,AI2工作人员提供了一份高质量资源的简要清单。为了简洁起见,他们放弃了一些资源的完整性。但是,他们在AI2中维护这些资源的“主动文档”,因此如果您有任何意见,请在评论部分指出,他们会不时更新和改进列表。

如果您是工程师,请在下一部分中向下滚动以查找技术资源。

非技术资源

如果您想看到人工智能的简要介绍,请参阅麻省理工学院技术评论摘要:

可以通过机器学习术语概述来学习本摘要:

这两本书的作者都是Karen Hao。有许多漂亮的流程图可以加深您的理解。这是这两本书的特色之一。

为了充分理解AI及其应用,推荐使用Andrews Ng的AI for Everyone Coursera系列课程。

打破一些对人工智能的过度追求

以下是Oren Etzioni最受欢迎的一些文章,这些文章非常简短:

深度学习不是魔术(有线,2016)

不,专家不认为超级智能人工智能是对人类的威胁(麻省理工学院技术评论,2016)

人工智能不会消灭我们 - 它将赋予我们权力(Backchannel,2014)

如果您想要更深入的了解,麻省理工学院的教授Erik Brynjolfsson和Andrew McAfee将非常适合这篇哈佛商业评论文章。这篇评论非常有见地:

对于监管和道德问题,我们建议您阅读:

AI技术应该受到监管吗?是的,这是如何(Oren Etzioni,CACM,2018)

我们在计算中是否存在道德危机? (Moshe Vardi,CACM,2019)

道德对齐设计,第一版(IEEE,2016)

进一步阅读

最后,这里有两本优秀的书籍,概述了该领域及其对未来的影响:

主算法: Paul G. Allen华盛顿大学计算机科学与工程教授Pedro Domingos将如何重建终极学习机将重塑我们的世界。

机器,平台,人群:利用我们的数字化未来,麻省理工学院首席研究科学家Andrew McAfee和麻省理工学院数字商务中心主任Erik Brynjolfsson。

工程技术资源

如果您需要最基本的介绍,工程师可以从AI2团队成员准备的这些AI概述开始:

为了更深入的了解,我建议由威斯康星大学的Pedro Domingos教授进行这一富有洞察力的评论:

培养自己的机器学习技能

很多人推荐在线课程,包括:

Andrew Ng的机器学习课程

Coursera& UW的机器学习专业化由Carlos Guestrin和Emily Fox教授创建

对于深入学习,我们建议如下:

rl&deep真正的入门教程:faizan shaikh的博客文章《简单初学者强化学习指南》及其实现。

安德鲁特拉斯克的书《Grokking Deep Learning》教你从头开始建立深入的学习神经网络。

Fast.ai中的代码介绍:从基础上深入学习展示了如何从头开始构建最先进的深入学习模型。

Andrew Ng的后续深入学习解释了美国有线电视新闻网和RNN的原理以及如何应用它们。

关于神经网络的3blue1 brown youtube系列:可能是深入学习计算机视觉的最佳学习资源(特别是关于反向传播的第3章和第4章)。适合有微积分背景,但不熟悉深入学习的中级技术人员。

斯坦福大学和CMU在线课程材料:“,”

其他技术资源

如果此列表不足以满足您的需要,请参阅Aditya Gupta提供的其他资源:

他们还推荐这本书由乔尔格鲁斯的ai2。请注意第二版的使用(第一版有很多正面的评论!)

最后,以下是joel对tweet的实用评论:

0x251D

PS:要了解有关AI2的最新研究,请订阅并关注此推特。

雷锋网雷锋网回到搜狐,看多了

负责编辑:

2019-09-07 19: 24

来源:雷锋网

原标题:如何学习人工智能?以下是机器学习/AI领域中最高质量资源的列表

雷锋网人工智能开发人员出版社,就像AI2一样,员工拥有人工智能和机器学习资源以及咖啡。因此,技术和非技术的朋友经常会问他们如何获得有关人工智能的资源,这些朋友都渴望更多地了解这个热门话题。这并不是说这些人不会在Google上搜索,而是因为互联网上的资源太多,很难说哪些是好的,哪些是坏的;什么是基本介绍,什么是高级水平。

作为回应,AI2工作人员列出了一份高质量资源的简短清单。为简洁起见,他们放弃了一些资源的完整性。但是,他们在AI2中维护这些资源的“活动文档”,因此如果您有任何意见,请在评论部分指出他们将不时更新和优化列表。

如果您是工程师,可以在下一部分中向下滚动并查找技术资源。

非技术资源

如果您想了解人工智能的简要介绍,请查看麻省理工学院技术评论摘要:

可以了解此摘要以及机器学习术语的概述:

这两本书的作者都是Karen Hao,书中有许多漂亮的流程图可以加深你的理解。这是这两本书的一大特色。

为了充分理解人工智能及其应用,推荐使用Andrews Ng的AI for Everyone Coursera系列。

打破一些人工智能的过度研究

以下是Oren Etzioni的一些热门文章,简称:

深度学习不是魔术(有线,2016)

不,专家不认为超级智能人工智能是对人类的威胁(麻省理工学院技术评论,2016)

人工智能不会消灭我们 - 它将赋予我们权力(Backchannel,2014)

如果您想要更深入的了解,麻省理工学院的教授Erik Brynjolfsson和Andrew McAfee将非常适合这篇哈佛商业评论文章。这篇评论非常有见地:

对于监管和道德问题,我们建议您阅读:

AI技术应该受到监管吗?是的,这是如何(Oren Etzioni,CACM,2018)

我们在计算中是否存在道德危机? (Moshe Vardi,CACM,2019)

道德对齐设计,第一版(IEEE,2016)

进一步阅读

最后,这里有两本优秀的书籍,概述了该领域及其对未来的影响:

主算法:探索终极学习机将如何重建我们的世界作者:Paul G. Allen Pedro Domingos,华盛顿大学计算机科学与工程学院教授。

机器,平台,人群:利用我们的数字化未来,由麻省理工学院首席研究科学家Andrew McAfee和麻省理工学院数字商务中心主任Erik Brynjolfsson撰写。

工程技术资源

如果您需要最基本的介绍,工程师可以从AI2团队成员准备的这些人工智能概述开始:

如需更深入的了解,请推荐由UW教授Peor Domingos撰写的富有洞察力的评论:

培养自己的机器学习技能

很多人推荐在线课程,包括:

Andrew Ng的机器学习课程

Coursera&UW的机器学习专业由Carlos Guestrin和Emily Fox教授创建

对于深入学习,我们建议您执行以下操作:

rl&deep真正的入门教程:faizan shaikh的博客文章《简单初学者强化学习指南》及其实现。

安德鲁特拉斯克的书《Grokking Deep Learning》教你从头开始建立深入的学习神经网络。

Fast.ai中的代码介绍:从基础上深入学习展示了如何从头开始构建最先进的深入学习模型。

Andrew Ng的后续深入学习解释了美国有线电视新闻网和RNN的原理以及如何应用它们。

关于神经网络的3blue1 brown youtube系列:可能是深入学习计算机视觉的最佳学习资源(特别是关于反向传播的第3章和第4章)。适合有微积分背景,但不熟悉深入学习的中级技术人员。

斯坦福大学和CMU在线课程材料:“,”

其他技术资源

如果此列表不足以满足您的需要,请参阅Aditya Gupta提供的其他资源:

他们还推荐这本书由乔尔格鲁斯的ai2。请注意第二版的使用(第一版有很多正面的评论!)

最后,以下是joel对tweet的实用评论:

0x251D

PS:要了解最新的AI2研究,请订阅并关注此Twitter。

返回搜狐了解更多信息

责任编辑:

声明:本文仅代表作者本人。搜狐是一个信息发布平台。搜狐只提供信息存储空间服务。

安得烈

埃里克

资源

人工智能

阅读()

——