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(jiǎn)要清單。為了簡(jiǎn)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(jiǎn)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(jiǎn)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)

• AI Now Report 2018

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：

• 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(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：

• 斯坦福 CS230 深度學(xué)習(xí)

• 用于 NLP 的 CMU CS 11-747 神經(jīng)網(wǎng)絡(luò)

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?。?br/>

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。