Comment rester un chercheur à jour dans la communauté ML / RL?

11

En tant qu'étudiant qui souhaite travailler sur l'apprentissage automatique, je voudrais savoir comment il est possible de commencer mes études et comment le suivre pour rester à jour. Par exemple, je suis prêt à travailler sur les problèmes de RL et de MAB, mais il existe une énorme littérature sur ces sujets. De plus, ces sujets sont étudiés par des chercheurs de différentes communautés telles que l'IA et le ML, la recherche opérationnelle, l'ingénierie de contrôle, les statistiques, etc.

Je serais reconnaissant si quelqu'un pouvait suggérer une feuille de route pour commencer à étudier ces sujets, les suivre et comment je devrais sélectionner et étudier les nouveaux articles publiés. Enfin, je suis disposé à connaître la nouvelle tendance du problème RL et MAB.

Katatonia
la source

Réponses:

11

Il existe de merveilleuses ressources pour rester à jour dans la communauté ML. Voici juste une poignée qu'un collègue m'a montré:

  1. Deep Learning Monitor : ce site contient des articles chauds et nouveaux ainsi que des tweets qui sont popularisés par la communauté! Vous pouvez même consulter les documents RL spécifiquement ici

  2. arxiv-sanity : ce site est mis à jour avec des articles populaires et nouveaux qui arrivent sur Arxiv

  3. papiers avec code : ce site est merveilleux car non seulement il est lié à des papiers, mais il est lié à leur mise en œuvre pour la reproduction ou l'assistance dans vos propres projets personnels. Ils ont même un classement et suivent l'état de l'art ( SoTA ) sur des tonnes de tâches différentes

  4. Boucle DL_twitter : Vous ne pouvez pas oublier Twitter, étant donné que la plupart des chercheurs l'utilisent; ce n'est qu'un seul groupe sympa que vous aimerez

mshlis
la source
1
Cher @mshlis. Merci beaucoup. Ces ressources semblent excellentes.
Katatonia
Si j'ai bien compris le concept de Deep Learning Monitor et arxiv-sanity, c'est une sorte de site Web d'agrégateur de contenu qui recueille les URL des articles existants. Ce qui manque, c'est la possibilité de commenter et de surévaluer les informations, ce qui équivaut à un réseau social pour les passionnés de Deeplearning.
Manuel Rodriguez
@ManuelRodriguez theres aussi un subreddit ML
mshlis