在 AI2，员工的人工智能和机器学习资源和咖啡一样多。因此，经常有技术和非技术的朋友向他们咨询如何获得关于人工智能的资源，这些朋友渴望了解更多关于这个热门话题的信息。这并不是说这些人不会在谷歌上搜索，而是因为网上的资源太多了，很难分辨哪些是好的，哪些是不好的；什么是基本的介绍，什么是高级进阶所需要的。

作为回应，AI2 的工作人员列出了一份高质量资源的简要清单。为了简洁，他们放弃了一部分资源的完整性。但是，他们正在 AI2 维护这些资源的「活动文档」，因此如果你有什么意见，请在评论部分指出来，他们将不定期的更新和完善列表。

如果你是工程师，可以向下滚动，在下一节中找到技术资源。

非技术资源

如果你想要看下人工智能的简单介绍，请看 MIT Technology Review 的摘要：What is AI？

这个总结可以和机器学习术语的概述一起学习：What is Machine Learning?

这两本书的作者都是 Karen Hao，书中有很多漂亮的流程图来加深你的理解，这是这两本书的一大特色。

为了全面了解人工智能及其应用，推荐 Andrews Ng's 的 AI for Everyone Coursera 系列课程。

打破人工智能的一些过分追捧

下面推荐 Oren Etzioni 的热门文章，这几篇文章都很简短：

• Deep Learning Isn’t Magic（Wired，2016 年）
• No, the Experts Don’t Think Superintelligent AI is a Threat to Humanity（麻省理工科技评论，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，麻省理工学院教授 Erik Brynjolfsson 和 Andrew McAfee 的这篇发表在哈佛商业评论文章会很合适，这篇综述非常具有洞察力：The Business of Artificial Intelligence。

关于监管和道德问题，我们建议阅读：

• 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

进一步阅读

最后，这里推荐两本优秀的书，这两本书概述了该领域及其对未来的影响：

• The Master Algorithm: How the Quest for the Ultimate Learning Machine Will Remake Our World，作者是保罗·G·艾伦华盛顿大学计算机科学与工程学院的教授 Pedro Domingos。
• Machine, Platform, Crowd: Harnessing Our Digital Future，作者是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

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

• What is Machine Learning
• Machine Learning 101

如果要更深入地了解，推荐 UW 教授 Pedro Domingos 的这篇有见地的评论文章：A Few Useful Things to Know about Machine Learning

培养自己的机器学习技能

许多人推荐在线课程，包括：

• Andrew Ng 的 Machine Learning 课程
• Carlos Guestrin 和 Emily Fox 教授创建的Coursera & UW’s Machine Learning Specialization

对于深度学习，我们推荐以下内容：

• RL&Deep 的真正入门教程：Faizan Shaikh 的博客帖子 Simple Beginner’s Guide to Reinforcement Learning & its Implementation。
• Andrew Trask 的书《Grokking Deep Learning》，教你从头开始构建深度学习神经网络。
• fast.ai 中的代码介绍： Deep Learning from the Foundations 展示了如何从头开始构建最先进的深度学习模型。
• Andrew Ng 的 follow up Deep Learning 解释了 CNN 和 RNN 的原理以及如何应用它们
• The 3Blue1Brown YouTube series on neural networks：可能是深度学习计算机视觉的最佳学习资源（尤其是关于反向传播的第 3、4 章）。适合有微积分背景，但对深度学习不太熟悉的中级技术人员。

斯坦福大学和 CMU 在的在线课程材料：

• 斯坦福 CS230 深度学习
• 用于 NLP 的 CMU CS 11-747 神经网络

附加技术资源

如果此列表不足以满足你的需求，请参阅 Aditya Gupta 提供的其他资源：Best Resources to learn AI, Machine Learning & Data Science。

他们还推荐 AI2 的 JoelGrus 写的 Data Science from Scratch: First Principles with Python 这本书。请注意使用第二版（第一版就有很多正面评论！）。

最后，这里是 Joel 在 tweet 上的一条实用注释： PS：要了解 AI2 的最新研究，请订阅 AI2 Newsletter，还可以关注 @allen_ai 这个 twitter 。

来源 | 雷锋网
作者 | skura