人工智能最近火到炸裂，不看吧担心和时代脱节，看吧每天资讯多到想哭，信息过载心好累肿么办？
来<(￣︶￣)↗跟着GitHub上的资深用户BAILOOL走，看看他们每日追踪的信息源，拿到第一手的学术进展和行业动态，不用再追着不同的网站看啦。
以下是原文
怎么避免“从入门到放弃”
不少童鞋发现人工智能很火，产生墙裂的学习兴趣（主要是工资高dei不dei），所以现在想上车学习，于是开始到处看“一文看懂”系列，或者开始修AI领域大牛的课程。
结果却发现，看完之后什么也没看懂。或者课程听起来很吃力，慢慢觉得自己智商跟不上，不像是这块料，就放弃了。
上车姿势不对啊童鞋们！知道大家刚开始控制不住寄几，疲于奔命地到处搜罗入门资料和课程，GitHub上的好心人就整理一份机器学习上车指南，包含精挑细选的一手资讯、经无数人验证的教程和高质量的信息源。
Step 1：刚迈脚上车，然后要干嘛
下了决心要转行AI，就等于一只脚上了车，不过一上来也别给自己整太大压力，上来就看大砖头的书或者报一门课程。
先来点简单的，好培养自己的兴趣和耐力，比如说，泡泡论坛。特别是如果你现在啥也不太懂，建议你每天打开电脑之后，别和妹纸聊微信了，别看农药解说的直播了。克制一下自己内心的及时行乐
好好在Reddit这几个论坛上泡一会，泡它一个早上：
-
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/）
还有，Quora上的这几个板块也有很多料，：
-
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：站久了该找个座啦
等到什么时候，你看论坛的内容吃不饱，觉得自己需要更高阶的知识充电，就可以转战去arXiv读论文了。
简单介绍一下（以下信息来自Wiki），arXiv呢，是个收集物理学、数学、计算机科学与生物学的论文预印本的网站。将预稿上传到arvix作为预收录，可以防止自己的idea在论文被收录前被别人剽窃。
因此arXiv是个可以证明论文原创性（上传时间戳）的文档收录网站。现今的很多科学家习惯先将其论文上传至arXiv.org，再提交予专业的学术期刊。
-
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）
不过arXiv有个缺点，就是自己搜索相应的论文很麻烦。
所以有个大神，Andrej，建立了一个论文自动推送网站arxiv-sanity.com，用户在上面建立一个自己的账号之后，往上丢几篇感兴趣的文章，这个网站就可以自动推送从arXiv上搜来且符合用户兴趣方向的相关论文。
Step 3：听听懂路的老司机报下站
如果读完论文之后，感觉一脸大写的懵✘，辣可以上ShortScience.org那转转。
这个网站是专门的论文讨论网站，上面有很多大牛点评同行的工作，或者读paper时做的笔记。大家看paper时也喜欢扎堆在ShortScience上发表自己的观点和看法。
特别适合刚上车的新手，如果自己读paper功力不太够，get不到重点，需要有人导读啥的，那么可以上这个网站去看看其他大牛对这篇论文的评论（有点儿像看完电影，总是习惯性上豆瓣看影评的赶脚）
Step 4：看看别人怎么开车
另外，还有个把paper和code整理到了一起的网站GitXiv.com，看名字就知道相当于GitHub和arXiv的合体。
在这个圈子里，已经形成了一股趋势，学术上一有最新进展，科学家都会把paper往arXiv上扔，然后没几天开发者们就把完成需求的开源代码抢发在GitHub上，大家执行力都超强的说。
不过，两个出处的链接没有个统一的地方可以关联在一起，不方便大家检索，也不方便大家横向比较和讨论，所以产生了这么个根据地GitXiv，供大家扎堆，还可以同行打分评论。
至于怎么上手自己开车，第5步之后就要靠大家去摸索啦，最后分享几个高质的信息源给大家。
最后：一手+高质+深度的信息feed
到现在这个阶段，可能一般的信息流已经满足不了你了。扔几个我们圈内人都会锁定的频道：
-
HackerNews
（https://news.ycombinator.com/news）
硅谷技术圈和投资圈都会关注的新闻网站，资讯不仅和AI有关，还会涉及到创业和信息安全，需要自己筛选。
-
DataTau（datatau.com）
专门给数据科学家看的HackerNews。
-
AITopics
(https://aitopics.org/search)
可以自己设置订阅规则或者订阅源的资讯阅读器。
油管上有几个频道做得也不错，可以挑一个跟就好：
-
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）
几家AI巨头的官方博客也挺值得跟，可以扔进订阅源里：
-
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/）
更新频率有点儿低，不过每次更新都是猛料的：
-
Google Scholar
（https://scholar.google.com/）
-
ResearchGate
（https://www.researchgate.net/）
-
Distill
（https://distill.pub/）
推特上活跃的领域大牛必须关注一波（什么？你还没有推特？那你怎么活在AI圈子里！快，别墨迹，现在就去搞一个账号）：Deep Learning Hub；Marshall Kirkpatrick；Lynn Cherny；Top-N；Top 10 AI；Text Data, Vis & Art。
这里就提这么几个人，等你到推特上之后关注完，推特会自己再给你推相关的大神的。
最后，有几个私人博客我觉得信息筛选的质量都符合我平时阅读的标准，大家挑一个喜欢的就好：
-
The Wild Week in AI
（https://www.getrevue.co/profile/wildml）
周更，上面时不时还会有初创团队招人信息放出来，比较适合找工作的孩纸。
-
inFERENCe（inference.vc）
不定期更，博主是隔了三年没碰机器学习，然后重新捡回来相关的研究进展。这个博是他个人的一个学习机器学习的成长记录地。
-
The Morning Paper
（https://blog.acolyer.org/）
日更，这个博客是一个原本什么都不懂的VC开的，初心是想开始积累自己在ML领域的认知，资讯的选取更多是从投资者的角度出发。
-
Inside AI
（https://inside.com/ai）
Inside网站旗下的AI话题板块，专注于资讯的深度。现在大多数新闻都是为了流量，吸引读者的眼球，而很少考虑读者的收获，导致优质新闻的产出和占道越来越少，很难到达渴望深度内容的读者。所以，Inside AI希望经过他们的筛选，订阅用户能重新获取有价值的新闻资讯。
最后，附上原文链接：
https://github.com/BAILOOL/DoYouEvenLearn/blob/master/README.md