人工智能最近火到炸裂，不看吧擔心和時代脫節，看吧每天資訊多到想哭，資訊過載心好累腫麼辦？
來<(￣︶￣)↗跟着GitHub上的資深使用者BAILOOL走，看看他們每日追蹤的資訊源，拿到第一手的學術進展和行業動态，不用再追着不同的網站看啦。
以下是原文
怎麼避免“從入門到放棄”
不少童鞋發現人工智能很火，産生牆裂的學習興趣（主要是工資高dei不dei），是以現在想上車學習，于是開始到處看“一文看懂”系列，或者開始修AI領域大牛的課程。
結果卻發現，看完之後什麼也沒看懂。或者課程聽起來很吃力，慢慢覺得自己智商跟不上，不像是這塊料，就放棄了。
上車姿勢不對啊童鞋們！知道大家剛開始控制不住寄幾，疲于奔命地到處搜羅入門資料和課程，GitHub上的好心人就整理一份機器學習上車指南，包含精挑細選的一手資訊、經無數人驗證的教程和高品質的資訊源。
Step 1：剛邁腳上車，然後要幹嘛
下了決心要轉行AI，就等于一隻腳上了車，不過一上來也别給自己整太大壓力，上來就看大磚頭的書或者報一門課程。
先來點簡單的，好培養自己的興趣和耐力，比如說，泡泡論壇。特别是如果你現在啥也不太懂，建議你每天打開電腦之後，别和妹紙聊微信了，别看農藥解說的直播了。克制一下自己内心的及時行樂
好好在Reddit這幾個論壇上泡一會，泡它一個早上：
-
machine_learning
（https://www.reddit.com/user/techrat_reddit/m/machine_learning/）
-
MachineLearning
（https://www.reddit.com/r/MachineLearning/）
-
computervision
（https://www.reddit.com/r/computervision/）
-
learnmachinelearning
（https://www.reddit.com/r/learnmachinelearning/）
還有，Quora上的這幾個闆塊也有很多料，：
-
Machine Learning
（https://www.quora.com/pinned/Machine-Learning）
-
Computer Vision
（https://www.quora.com/pinned/Computer-Vision）
-
Deep Learning
（https://www.quora.com/pinned/Deep-Learning）
-
Reinforcement Learning
（https://www.quora.com/pinned/Reinforcement-Learning）
Step 2：站久了該找個座啦
等到什麼時候，你看論壇的内容吃不飽，覺得自己需要更高階的知識充電，就可以轉戰去arXiv讀論文了。
簡單介紹一下（以下資訊來自Wiki），arXiv呢，是個收集實體學、數學、計算機科學與生物學的論文預印本的網站。将預稿上傳到arvix作為預收錄，可以防止自己的idea在論文被收錄前被别人剽竊。
是以arXiv是個可以證明論文原創性（上傳時間戳）的文檔收錄網站。現今的很多科學家習慣先将其論文上傳至arXiv.org，再送出予專業的學術期刊。
-
Computer Vision and Pattern Recognition
（https://arxiv.org/list/cs.CV/recent）
-
Artificial Intelligence
（https://arxiv.org/list/cs.AI/recent
-
Learning
（https://arxiv.org/list/cs.LG/recent）
- Neural and Evolutionary Computing（https://arxiv.org/list/cs.NE/recent）
不過arXiv有個缺點，就是自己搜尋相應的論文很麻煩。
是以有個大神，Andrej，建立了一個論文自動推送網站arxiv-sanity.com，使用者在上面建立一個自己的賬号之後，往上丢幾篇感興趣的文章，這個網站就可以自動推送從arXiv上搜來且符合使用者興趣方向的相關論文。
Step 3：聽聽懂路的老司機報下站
如果讀完論文之後，感覺一臉大寫的懵✘，辣可以上ShortScience.org那轉轉。
這個網站是專門的論文讨論網站，上面有很多大牛點評同行的工作，或者讀paper時做的筆記。大家看paper時也喜歡紮堆在ShortScience上發表自己的觀點和看法。
特别适合剛上車的新手，如果自己讀paper功力不太夠，get不到重點，需要有人導讀啥的，那麼可以上這個網站去看看其他大牛對這篇論文的評論（有點兒像看完電影，總是習慣性上豆瓣看影評的趕腳）
Step 4：看看别人怎麼開車
另外，還有個把paper和code整理到了一起的網站GitXiv.com，看名字就知道相當于GitHub和arXiv的合體。
在這個圈子裡，已經形成了一股趨勢，學術上一有最新進展，科學家都會把paper往arXiv上扔，然後沒幾天開發者們就把完成需求的開源代碼搶發在GitHub上，大家執行力都超強的說。
不過，兩個出處的連結沒有個統一的地方可以關聯在一起，不友善大家檢索，也不友善大家橫向比較和讨論，是以産生了這麼個根據地GitXiv，供大家紮堆，還可以同行打分評論。
至于怎麼上手自己開車，第5步之後就要靠大家去摸索啦，最後分享幾個高質的資訊源給大家。
最後：一手+高質+深度的資訊feed
到現在這個階段，可能一般的資訊流已經滿足不了你了。扔幾個我們圈内人都會鎖定的頻道：
-
HackerNews
（https://news.ycombinator.com/news）
矽谷技術圈和投資圈都會關注的新聞網站，資訊不僅和AI有關，還會涉及到創業和資訊安全，需要自己篩選。
-
DataTau（datatau.com）
專門給資料科學家看的HackerNews。
-
AITopics
(https://aitopics.org/search)
可以自己設定訂閱規則或者訂閱源的資訊閱讀器。
油管上有幾個頻道做得也不錯，可以挑一個跟就好：
-
3Blue1Brown
(https://www.youtube.com/channel/UCYO_jab_esuFRV4b17AJtAw)
-
Two Minute Papers
（https://www.youtube.com/channel/UCbfYPyITQ-7l4upoX8nvctg）
-
Robert Miles
（https://www.youtube.com/channel/UCLB7AzTwc6VFZrBsO2ucBMg）
-
Siraj Raval
（https://www.youtube.com/channel/UCWN3xxRkmTPmbKwht9FuE5A）
幾家AI巨頭的官方部落格也挺值得跟，可以扔進訂閱源裡：
-
Google
（https://research.googleblog.com/）
-
Facebook
（https://research.fb.com/blog/）
-
Nvidia
（https://blogs.nvidia.com/blog/category/deep-learning/）
-
Apple
（https://machinelearning.apple.com/）
更新頻率有點兒低，不過每次更新都是猛料的：
-
Google Scholar
（https://scholar.google.com/）
-
ResearchGate
（https://www.researchgate.net/）
-
Distill
（https://distill.pub/）
推特上活躍的領域大牛必須關注一波（什麼？你還沒有推特？那你怎麼活在AI圈子裡！快，别墨迹，現在就去搞一個賬号）：Deep Learning Hub；Marshall Kirkpatrick；Lynn Cherny；Top-N；Top 10 AI；Text Data, Vis & Art。
這裡就提這麼幾個人，等你到推特上之後關注完，推特會自己再給你推相關的大神的。
最後，有幾個私人部落格我覺得資訊篩選的品質都符合我平時閱讀的标準，大家挑一個喜歡的就好：
-
The Wild Week in AI
（https://www.getrevue.co/profile/wildml）
周更，上面時不時還會有初創團隊招人資訊放出來，比較适合找工作的孩紙。
-
inFERENCe（inference.vc）
不定期更，部落客是隔了三年沒碰機器學習，然後重新撿回來相關的研究進展。這個博是他個人的一個學習機器學習的成長記錄地。
-
The Morning Paper
（https://blog.acolyer.org/）
日更，這個部落格是一個原本什麼都不懂的VC開的，初心是想開始積累自己在ML領域的認知，資訊的選取更多是從投資者的角度出發。
-
Inside AI
（https://inside.com/ai）
Inside網站旗下的AI話題闆塊，專注于資訊的深度。現在大多數新聞都是為了流量，吸引讀者的眼球，而很少考慮讀者的收獲，導緻優質新聞的産出和占道越來越少，很難到達渴望深度内容的讀者。是以，Inside AI希望經過他們的篩選，訂閱使用者能重新擷取有價值的新聞資訊。
最後，附上原文連結：
https://github.com/BAILOOL/DoYouEvenLearn/blob/master/README.md