Wie bleibe ich ein aktueller Forscher in der ML / RL-Community?

11

Als Student, der am maschinellen Lernen arbeiten möchte, möchte ich wissen, wie es möglich ist, mein Studium zu beginnen und wie ich es befolgen kann, um auf dem neuesten Stand zu bleiben. Zum Beispiel bin ich bereit, an RL- und MAB-Problemen zu arbeiten, aber es gibt riesige Literaturen zu diesen Themen. Darüber hinaus werden diese Themen von Forschern aus verschiedenen Communities wie KI und ML, Operations Research, Steuerungstechnik, Statistik usw. untersucht. Ich denke, dass jede Woche mehrere Artikel zu diesen Themen veröffentlicht werden, die es so schwierig machen, ihnen zu folgen.

Ich wäre dankbar, wenn jemand eine Roadmap vorschlagen könnte, um mit dem Studium dieser Themen zu beginnen, ihnen zu folgen und wie ich neue veröffentlichte Artikel auswählen und studieren sollte. Schließlich bin ich bereit, den neuen Trend im RL- und MAB-Problem zu kennen.

Katatonia
quelle

Antworten:

11

Es gibt einige wunderbare Ressourcen, um in der ML-Community auf dem Laufenden zu bleiben. Hier sind nur eine Handvoll, die mir ein Mitarbeiter gezeigt hat:

  1. Deep Learning Monitor : Diese Seite enthält heiße und neue Artikel sowie Tweets, die von der Community populär gemacht werden! Sie können RL-Papiere sogar speziell hier auschecken

  2. arxiv-sanity : Diese Seite wird mit beliebten und neuen Artikeln aktualisiert, die es auf Arxiv schaffen

  3. Papiere mit Code : Diese Seite ist wunderbar, weil sie nicht nur auf Papiere verweist, sondern auch auf deren Implementierung zur Reproduktion oder Unterstützung in Ihren eigenen persönlichen Projekten. Sie haben sogar eine Rangliste und verfolgen den Stand der Technik ( SoTA ) für Tonnen verschiedener Aufgaben

  4. DL_twitter-Schleife : Sie können Twitter nicht vergessen, da die meisten Forscher es verwenden. Dies ist nur eine einzige nette Gruppe, die Ihnen gefallen könnte

mshlis
quelle
1
Lieber @mshlis. Ich danke dir sehr. Diese Ressourcen scheinen großartig zu sein.
Katatonia
Wenn ich das Konzept des Deep Learning Monitor und von arxiv-sanity gut verstanden habe, dann ist es eine Art Content Aggregator-Website, die URLs zu vorhandenen Papieren sammelt. Was fehlt, ist die Fähigkeit, die Informationen zu kommentieren und zu bewerten, die einem sozialen Netzwerk für Deeplearning-Enthusiasten entsprechen.
Manuel Rodriguez
@ ManuelRodriguez theres auch ein ML subreddit
mshlis