在 AI2，員工的人工智能和機器學習資源和咖啡一樣多。因此，經常有技術和非技術的朋友向他們咨詢如何獲得關于人工智能的資源，這些朋友渴望了解更多關于這個熱門話題的信息。這并不是說這些人不會在谷歌上搜索，而是因為網上的資源太多了，很難分辨哪些是好的，哪些是不好的；什么是基本的介紹，什么是高級進階所需要的。

作為回應，AI2 的工作人員列出了一份高質量資源的簡要清單。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 維護這些資源的「活動文檔」，因此如果你有什么意見，請在評論部分指出來，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，在下一節中找到技術資源。

非技術資源

如果你想要看下人工智能的簡單介紹，請看 MIT Technology Review 的摘要：What is AI？

這個總結可以和機器學習術語的概述一起學習：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，麻省理工學院教授 Erik Brynjolfsson 和 Andrew McAfee 的這篇發表在哈佛商業評論文章會很合適，這篇綜述非常具有洞察力：The Business of Artificial Intelligence。

關于監管和道德問題，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)
• AI Now Report 2018

進一步閱讀

最后，這里推薦兩本優秀的書，這兩本書概述了該領域及其對未來的影響：

• The Master Algorithm: How the Quest for the Ultimate Learning Machine Will Remake Our World，作者是保羅·G·艾倫華盛頓大學計算機科學與工程學院的教授 Pedro Domingos。
• Machine, Platform, Crowd: Harnessing Our Digital Future，作者是麻省理工學院首席研究科學家 Andrew McAfee 和麻省理工學院數字商務中心主任 Erik Brynjolfsson。

工程技術資源

如果需要最基礎的介紹，工程師可以從 AI2 團隊成員準備的這些人工智能概述開始：

• What is Machine Learning
• Machine Learning 101

如果要更深入地了解，推薦 UW 教授 Pedro Domingos 的這篇有見地的評論文章：A Few Useful Things to Know about Machine Learning

培養自己的機器學習技能

許多人推薦在線課程，包括：

• Andrew Ng 的 Machine Learning 課程
• Carlos Guestrin 和 Emily Fox 教授創建的Coursera & UW’s Machine Learning Specialization

對于深度學習，我們推薦以下內容：

• 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》，教你從頭開始構建深度學習神經網絡。
• fast.ai 中的代碼介紹： Deep Learning from the Foundations 展示了如何從頭開始構建最先進的深度學習模型。
• Andrew Ng 的 follow up Deep Learning 解釋了 CNN 和 RNN 的原理以及如何應用它們
• The 3Blue1Brown YouTube series on neural networks：可能是深度學習計算機視覺的最佳學習資源（尤其是關于反向傳播的第 3、4 章）。適合有微積分背景，但對深度學習不太熟悉的中級技術人員。

斯坦福大學和 CMU 在的在線課程材料：

• 斯坦福 CS230 深度學習
• 用于 NLP 的 CMU CS 11-747 神經網絡

附加技術資源

如果此列表不足以滿足你的需求，請參閱 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。請注意使用第二版（第一版就有很多正面評論！）。

最后，這里是 Joel 在 tweet 上的一條實用注釋： PS：要了解 AI2 的最新研究，請訂閱 AI2 Newsletter，還可以關注 @allen_ai 這個 twitter 。

來源 | 雷鋒網
作者 | skura