这游戏有毒｜球球辣么可爱，怎么可以打它？
1新智元编译
机器学习和AI的资源那么多，该从何处下手？
科技作者、创业者、自学AI并成为博士生的Robbie Allen收集整理了一份详尽的资料，囊括值得关注的人、机构、课程、博客、Github库、会议等各种资源，最重要的是，这些全都是免费的。
无论你是初学AI，还是想要进阶，这些资料能不可错过。
首先感谢Robbie Allen，接下来我们就来看这份机器学习、深度学习和AI资源大全。微信格式所限无法外链，新智元在编译时将重要的链接直接放在文中，可以复制后在浏览器中打开。
了解更多可以查看原文。
资源目录：
知名研究人员
许多最知名的AI研究者都在网络上有很多的参与，例如在Reddit或Quora Session上做Ask-Me-Anything等。以下提供他们的个人网站，Wikipedia页面，Twitter主页，Google scholar页面，quora 主页等的链接，读者可以从文末的原文链接进入（排名不分先后）。
Sebastian Thrun：Udacity(优达学城)创始人、斯坦福终身教授、Google X 实验室创始人
Yann Lecun：Facebook AI 实验室负责人、纽约大学教授
Nando de Freitas：牛津大学教授
Andrew Ng：斯坦福大学副教授、人工智能实验室主任，Coursera联合创始人，前百度首席科学家
Daphne Koller：斯坦福大学教授、Coursera联合创始人
Adam Coates：百度硅谷AI实验室主任
Jürgen Schmidhuber：瑞士人工智能实验室IDSIA 的科学事务主管
Geoffrey Hinton：多伦多大学计算机科学系教授、谷歌Engineering Fellow
Terry Sejnowski：索尔克研究所神经科学家
Michael Jordan：加州大学伯克利分校教授
Peter Norvig：谷歌公司研究总监
Yoshua Bengio：蒙特利尔大学教授
Ian Goodfellow：谷歌大脑Staff Research Scientist
Andrej Karpathy：特斯拉人工智能部门主管
Richard Socher：Salesforce首席科学家、斯坦福计算机科学系副教授
Demis Hassabis：DeepMind创始人兼CEO
Christopher Manning：斯坦福大学计算机科学和语言学教授
Fei-Fei Li（李飞飞）：斯坦福大学教授、谷歌云AI/ML首席科学家
François Chollet：谷歌人工智能研究员、深度学习框架Keras 的作者
Dan Jurafsky：斯坦福大学计算机科学系和语言学系教授、语言学系主任
Oren Etzioni：艾伦人工智能研究所CEO
AI组织
有许多知名的组织致力于推动人工智能研究和开发。以下是部分网站/博客和Twitter帐户。
OpenAI / Twitter (127K followers)
DeepMind / Twitter (80K followers)
Google Research / Twitter (1.1M followers)
AWS AI / Twitter (1.4M followers)
Facebook AI Research (no Twitter :)
Microsoft Research / Twitter (341K followers)
Baidu Research / Twitter (18K followers)
IntelAI / Twitter (2K followers)
AI² / Twitter (4.6K followers)
Partnership on AI / Twitter (5K followers)
视频课程
网络上有大量视频课程和教程，其中许多都是免费的。也有一些很好的付费课程，但本文主要提供免费内容的推荐。有相当多的大学课程都提供在线课程材料，但没有视频。以下课程可以足够你忙上几个月了：
Coursera — 机器学习（Machine Learning）
授课：Andrew Ng
https://www.coursera.org/learn/machine-learning#syllabus
Coursera — 机器学习神经网络（Neural Networks for Machine Learning）
授课：Geoffrey Hinton
https://www.coursera.org/learn/neural-networks
Udacity — 机器学习导论（Intro to Machine Learning）
授课：Sebastian Thrun
https://classroom.udacity.com/courses/ud120
Udacity — 机器学习（Machine Learning）
授课：Georgia Tech
https://www.udacity.com/course/machine-learning--ud262
Udacity — 深度学习（Deep Learning）
授课：Vincent Vanhoucke
https://www.udacity.com/course/deep-learning--ud730
机器学习（Machine Learning）
授课：mathematicalmonk
https://www.youtube.com/playlist?list=PLD0F06AA0D2E8FFBA
给程序员的机器学习实践课程（Practical Deep Learning For Coders）
授课：Jeremy Howard & Rachel Thomas
http://course.fast.ai/start.html
Stanford CS231n —面向视觉识别的卷积神经网络（ Convolutional Neural Networks for Visual Recognition） (Winter 2016)
授课：李飞飞、Justin Johnson & Serena Yeung
http://cs231n.stanford.edu/
Stanford CS224n — 深度学习与自然语言处理（Natural Language Processing with Deep Learning）(Winter 2017)
授课：Chris Manning & Richard Socher
http://web.stanford.edu/class/cs224n/
哈佛深度NLP课程（Oxford Deep NLP 2017 ）
授课：Phil Blunsom et al.
https://github.com/oxford-cs-deepnlp-2017/lectures
强化学习（Reinforcement Learning）
授课：David Silver
http://www.cs.ucl.ac.uk/staff/d.silver/web/Teaching.html
Python实践机器学习教程（Practical Machine Learning Tutorial with Python）
授课：sentdex
https://www.youtube.com/watch?list=PLQVvvaa0QuDfKTOs3Keq_kaG2P55YRn5v&v=OGxgnH8y2NM
YouTube频道
以下是经常发布AI或机器学习相关的受欢迎的内容的YouTube频道或用户，按照订阅者/观看次数排序。
sentdex(225K 订阅, 21M 观看)
https://www.youtube.com/user/sentdex
Artificial Intelligence A.I.(7M 观看)
https://www.youtube.com/channel/UC-XbFeFFzNbAUENC8Ofpn3g
Siraj Raval (140K 订阅, 5M 观看)
https://www.youtube.com/channel/UCWN3xxRkmTPmbKwht9FuE5A
Two Minute Papers(60K 订阅, 3.3M 观看)
https://www.youtube.com/user/keeroyz
DeepLearning.TV (42K 订阅, 1.7M 观看)
https://www.youtube.com/channel/UC9OeZkIwhzfv-_Cb7fCikLQ
Data School(37K 订阅, 1.8M 观看)
https://www.youtube.com/user/dataschool
Machine Learning Recipes with Josh Gordon(324K 观看)
https://www.youtube.com/playlist?list=PLOU2XLYxmsIIuiBfYad6rFYQU_jL2ryal
Artificial Intelligence — Topic(10K 订阅)
https://www.youtube.com/channel/UC9pXDvrYYsHuDkauM2fLllQ
Allen Institute for Artificial Intelligence (AI2)(1.6K 订阅, 69K 观看)
https://www.youtube.com/channel/UCEqgmyWChwvt6MFGGlmUQCQ
Machine Learning at Berkeley(634 订阅, 48K 观看)
https://www.youtube.com/channel/UCXweTmAk9K-Uo9R6SmfGtjg
Understanding Machine Learning — Shai Ben-David(973 订阅, 43K 观看)
https://www.youtube.com/channel/UCR4_akQ1HYMUcDszPQ6jh8Q
Machine Learning TV(455 订阅, 11K 观看)
https://www.youtube.com/channel/UChIaUcs3tho6XhyU6K6KMrw
博客作者
以下推荐一些优质的博客作者。
Andrej Karpathy：http://karpathy.github.io/
i am trask ：http://iamtrask.github.io/
Christopher Olah：http://colah.github.io/
Top Bots ：http://www.topbots.com/
WildML：http://www.wildml.com/
Distill ：http://distill.pub/
Machine Learning Mastery ：http://machinelearningmastery.com/blog/
FastML：http://fastml.com/
Adventures in NI：https://joanna-bryson.blogspot.de/
Sebastian Ruder：http://sebastianruder.com/
Unsupervised Methods：http://unsupervisedmethods.com/
Explosion：https://explosion.ai/blog/
Tim Dettmers：http://timdettmers.com/
When trees fall…：http://blog.wtf.sg/
ML@B ：https://ml.berkeley.edu/blog/
Medium上人工智能方面的作者：
Robbie Allen
Erik P.M. Vermeulen
Frank Chen
azeem
Sam DeBrule
Derrick Harris
Yitaek Hwang
samim
Paul Boutin
Mariya Yao
Rob May
Avinash Hindupur
书籍
有很多书籍，涵盖机器学习，深度学习和NLP的一些方面。在本节中，我将聚焦于可以直接从网页访问或下载的免费书籍。
机器学习：
理解机器学习，从理论到算法（Understanding Machine Learning From Theory to Algorithms，http://101.96.8.164/www.cs.huji.ac.il/~shais/UnderstandingMachineLearning/understanding-machine-learning-theory-algorithms.pdf）
Machine Learning Yearning，作者：Andrew Ng，www.mlyearning.org/）
机器学习课程（A Course in Machine Learning，http://ciml.info）
机器学习（Machine Learning，https://www.intechopen.com/books/machine_learning）
神经网络与机器学习（Neural Networks and Deep Learning，neuralnetworksanddeeplearning.com/）
深度学习图书（Deep Learning Book，www.deeplearningbook.org/）
强化学习导论（Reinforcement Learning: An Introduction，incompleteideas.net/sutton/book/the-book-2nd.html）
强化学习（Reinforcement Learning，https://www.intechopen.com/books/reinforcement_learning）
NLP
对话与语言处理（第三版）（Speech and Language Processing (3rd ed. draft)，https://web.stanford.edu/~jurafsky/slp3/）
Python自然语言处理（Natural Language Processing with Python，www.nltk.org/book/）
信息检索概论（An Introduction to Information Retrieval，https://nlp.stanford.edu/IR-book/html/htmledition/irbook.html）
数学
统计思维概论（Introduction to Statistical Thought，people.math.umass.edu/~lavine/Book/book.pdf）
贝叶斯统计学概论 （Introduction to Bayesian Statistics，https://www.stat.auckland.ac.nz/~brewer/stats331.pdf）
概率论概论（Introduction to Probability，https://www.dartmouth.edu/~chance/teaching_aids/books_articles/probability_book/amsbook.mac.pdf）
统计思维：面向Python程序员的概率论与统计学（Think Stats: Probability and Statistics for Python programmers，greenteapress.com/wp/think-stats-2e/）
概率论与统计学实践指南（The Probability and Statistics Cookbook，statistics.zone/）
线性代数（Linear Algebra，joshua.smcvt.edu/linearalgebra/book.pdf）
线性代数错误集锦（Linear Algebra Done Wrong，www.math.brown.edu/~treil/papers/LADW/book.pdf）
线性代数（理论与实践）（Linear Algebra, Theory And Applications，https://math.byu.edu/~klkuttle/Linearalgebra.pdf）
面向计算机科学的数学（Mathematics for Computer Science，https://courses.csail.mit.edu/6.042/spring17/mcs.pdf）
微积分学（Calculus，https://ocw.mit.edu/ans7870/resources/Strang/Edited/Calculus/Calculus.pdf）
计算机科学与统计学学生用的微积分学（Calculus I for Computer Science and Statistics Students，www.math.lmu.de/~philip/publications/lectureNotes/calc1_forInfAndStatStudents.pdf）
Quora
Quora已经成为AI和机器学习的重要资源。许多顶尖的研究人员在网站上回答问题。下面我列出了一些主要的AI相关主题，您可以订阅，如果您想自定义您的Quora Feed。查看Quora社区中每个主题（例如机器学习的常见问题）中的常见问题解答部分的问题列表。
计算机科学（560万订阅者）
机器学习（110万订阅者）
人工智能（63万5千订阅者）
深度学习（16万7千订阅者）
NLP (15万5千订阅者)
分类机器学习（11万9千订阅者）
通用人工智能（8万2千订阅者）
卷积神经网络-CNN（2万5千订阅者）
计算机语言学（2万3千订阅者）
RNN（1万7千4百订阅者）
Reddit上的AI社区不如Quora那么大，但它仍然有一些很好的子版块值得关注。 Reddit可以帮助您跟上最新的新闻和研究，而Quora是问题/答案。以下是按订户人数排序的主要AI相关子领域。
机器学习(111K读者)
机器人(43K 读者)
人工智能（35K 读者）
数据科学（34k 读者）
学习机器学习（11k读者）
计算机视觉（11k读者）
ML问题（8k读者）
语言科技（7k读者）
ML课程（4k读者）
ML论文（4k读者）
Github
关于AI社区的好处之一是大多数新项目都是开源的，并在Github上提供，如果要在Python中使用示例算法实现或使用Juypter Notebook，Github上还有许多教育资源。以下是标有特定主题。
机器学习
深度学习
TensorFlow
神经网络
NLP
Podcasts（略）
新闻媒体
如果想通过最新的新闻和研究来跟上最新进度，可以选择的以每周为单位的新闻订阅数量很多，他们大多数涵盖相同的东西，所以你只需要一两个就可以。
The Exponential View
AI Weekly
Deep Hunt
O’Reilly Artificial Intelligence Newsletter
Machine Learning Weekly
Data Science Weekly Newsletter
Machine Learnings
Artificial Intelligence News
When trees fall…
WildML
Inside AI
Kurzweil AI
Import AI
The Wild Week in AI
Deep Learning Weekly
Data Science Weekly
KDnuggets Newsletter
会议
令人惊讶的是，随着人工智能的普及，人工智能相关会议的数量也有所增加。 （这些不是免费的！）
学术
NIPS (Neural Information Processing Systems)
ICML (International Conference on Machine Learning)
KDD (Knowledge Discovery and Data Mining)
ICLR (International Conference on Learning Representations)
ACL (Association for Computational Linguistics)
EMNLP (Empirical Methods in Natural Language Processing)
CVPR (Computer Vision and Pattern Recognition)
ICCF (International Conference on Computer Vision)
专业会议:
O’Reilly Artificial Intelligence Conference
Machine Learning Conference (MLConf)
AI Expo (North America, Europe, World)
AI Summit
AI Conference
研究论文
arXiv.org
Semantic Scholar searches
推荐一个Andrej Karpathy的论文项目： http://www.arxiv-sanity.com/
课程：
推荐另一个专门的博客Over 150 of the Best Machine Learning, NLP, and Python Tutorials（https://unsupervisedmethods.com/over-150-of-the-best-machine-learning-nlp-and-python-tutorials-ive-found-ffce2939bd78）
小抄：Cheat Sheet of Machine Learning and Python (and Math) Cheat Sheets（https://unsupervisedmethods.com/cheat-sheet-of-machine-learning-and-python-and-math-cheat-sheets-a4afe4e791b6）
Uoplay2手持稳定器专治手抖，用手机拍出大片特效
(Uranium)的原子序数为92的元素，其元素符号是U，是自然界中能够找到的最重元素。在自然界中存在三种同位素，均带有放射性，拥有非常长的半衰期（数亿年~数十亿年）。
此外还有12种人工同位素(-226~-240)。在1789年由马丁·海因里希·克拉普罗特（Martin Heinrich Klaproth）发现。化合物早期用于瓷器的着色，在核裂变现象被发现后用作为核燃料。
据国际原子能机构和经济合作与发展组织核能机构 2008 年发布的 2007 年世界已查明资源总量,按三种不同可回收资源成本类别划为:
小于 130 美元/千克,为 546.9×104t;小于 80 美元/千克,为 445.6×104t;小于 40 美元/千克,为 2 97×104t,这分别比 2005 年分别增加了 15.3%、17.1%和 8.2%。
若基于 2006 年全球核能发电量和现有的核电技术, 已探明的资源足够未来100 年之用。
在全球范围内已探明的资源十分丰富,同时矿资源潜力依然巨大。
欢迎关注 乐晴智库 微信公众号：lqzk168
更多行业深度报告请到网站：www.767stock.com 免费阅读下载
北美洲 4 处、南美洲 3 处、欧洲 2 处、非洲 3 处、亚洲 9 处和大洋洲 3 处。
其中北美洲的加拿大、美国,中亚的哈萨克斯、俄罗斯、乌兹别克斯坦等国均富含矿床,此外,非洲大陆中的尼日尔和纳米比亚等国也是矿资源大国。
世界资源主要分布在澳大利亚、哈萨克斯坦、俄罗斯、加拿大、尼日尔等国,其资源量均在10 万t以上,合计超过世界资源量的 98%。
随着近几年全球矿勘查开发力度的加大,世界诸多国家矿资源量均有增加。目前全球主要开采情况如下:
目前天然的供应一般分为两种类型
第一类为一次供应,是指直接从矿山和水冶厂加工生产的;
第二类为二次供应,包括高浓(HEU)稀释、天然和低浓(LEU)库存、混合氧化物燃料(MOX)、尾料再浓缩的和从乏燃料中提取的等。
2013 年,一次供应能满足全球 92%的天然需求;二次供应为全球天然供应的一个重要补充,占天然供应的 8%。
在世界核协会(WNA)2013 年发布的《全球核燃料市场(供应与需求 2013-2030)》中,对未来天然需求进行了预测,按设计的基准情景,从 2013 年起至 2030 年,大致需要 150 万吨,未来几年由于高浓及库存的消耗,预计此 150 万吨将主要来源于一次供应,大约需消耗 250 万吨的已探明且经济可采的资源量。
全球需求持续增长,目前全球大部分需求将由一次供应即天然生产来满足。
2010-2013 年,全球一次资源供应能力由满足核电站需求的 78%提升至 92%。
随着俄美高浓协议的结束,二次供应量减少,在供应总量中的比例已经由 2010 年的 22%降至2013 年的 8%。
一次供应能力正在大幅提升,全球大部份需求将由一次供应即天然生产来满足。
自 2003 年天然价格上涨以来,多个国家致力于开发新矿山。
WNA 2014 年 7 月公布的《2006-2013年世界各国天然产量数据》显示,2006-2008 年全球天然产量变化较小,分别为 3.94 万吨、4.13 万吨和 4.38 万吨。
2009 年后由于哈萨克斯坦等国产量的急剧上升,2013 年总量增加到 5.96万吨。
根据“国际商业咨询机构 SNL”(以下简称“SNL”)2015 年统计数据,全球前十大矿公司分别是
加拿 大 矿 业 能 源 公 司 ( CAMECO CORP . ) 哈 萨 克 斯 坦 能 源 公 司 ( Natl, AtomicCo.Kazatomoprom)、俄罗斯国有资源公司(Armz Uranium Holding Co.)、阿海珐集团(AREVA. S.A.)、必和必拓公司(BHP, Billion)、阿伊尔矿业(Somair SA)、帕拉丁公司(Paladin Energy LTD.)、罗辛矿有限公司(Rossing Uranium LTD.)、一号业公司(Uranium One)以及澳能源资源有限公司(Energy Reource of AU Ltd.)。
其中在当今世界核电产业勘探开采领域中加拿大矿业能源公司、哈萨克斯坦能源公司、俄罗斯国有资源公司、阿海珐集团、必和必拓公司、帕拉丁公司、一号业公司、力拓矿业集团(Rio Tinto)、纳沃伊公司(Navoi)以及索伯帕文公司(Sopanim)占有主导地位。
2011-2012 年,我国又发现了约 44000 吨常规,其中伊犁、二连浩特、鄂尔多斯、松辽和本溪盆地约为 28000吨;位于华南的相山、桃山、诸广南部和达州约为 16000 吨。
2014 年 OECD 红皮书指出:中国的资源储量约为 265000 吨,其中 46%位于内蒙古和新疆,36%位于江西和广东。
我国核电站所需主要来自国内自己生产、国际市场购买和中外合营三个方面。
截至到 2012 年,35%的资源存储在华北和西北的砂岩矿床中,华中和东南的花岗岩中含量约 28%,东南地区的火山岩、黑色页岩中存储量分别为 21%和 10%。
目前我国已探明的矿大部分都位于地下至少 500m 处。
我国主要进口国家有哈萨克斯坦、乌兹别克斯坦、加拿大、纳米比亚、尼日尔和澳大利亚。
根据中华人民共和国总署公布,自 2012、2013 年以来,我国从上述国家进口总量分别约为12 908 吨和 18 968 吨,总费用约为 23.7 亿美元。
尽管我国拥有丰富的资源,但是由于其中大部分属于非常规,不仅品位低、 埋藏深而且开釆价格昂贵,故我国资源供应和需求之间仍然存在较大的缺口。
全球浓缩服务的年度需求在 2011 年出现下降,仅为 3.92 万吨 SWU,比 2010 年下降 13%,主要原因是在日本福岛事故以及德国 8 台核电机组被关闭。
2013 年全球核电厂的浓缩服务需求比2012 年增加了 2%,达到 4.16 万 tSWU,但仍处于较低水平。
预计后续需求将逐步恢复,到 2016年将增加至 5.1 万吨 SWU。
按照世界核能协会(WNA)预测,在高值情景、基准情景和低值情景中,全球浓缩服务的年度需求到 2020 年将分别增加至约 6.7 万 tSWU、6 万 tSWU 和 5.4 万 tSWU。
低值情景中,全球的年度需求到 2020-2030 年间出现小幅下降,到 2030 年将跌至约 4.6 万 tSWU。
浓缩供应包括商业浓缩厂的一次供应以及高浓的稀释及政府储备存货使用的二次供应,目前的市场供应能力能够满足全球需求,但富余量不大,全球主要供应商已开始为满足未来 20 年内出现的预期需求增长做准备。
法国阿海珐集团(Areva)、俄罗斯国家原子能集团(Rosatom)、欧洲浓缩公司(Urenco)、美国浓缩公司(USEC)等全球性供应商。
2013 年,以上 4 家供应商占据了全球约 91%的市场份额。
其中,美国浓缩公司(USEC)目前正在开展对美国能源部的高丰度浓缩的尾料进行再浓缩,所获得的产品将在 2015-2021 年期间投放市场。
随着美国帕杜卡气体扩散厂于 2013 年 6 月关停,美国浓缩公司(USEC)实际上已丧失了浓缩产能,Rosatom 和 Urenco 进一步巩固了其在全球浓缩市场上的主导地位。
二次浓缩主要来自俄罗斯及美国的高浓稀释,后处理回收的浓缩及 MOX 燃料。
2013 年美俄高浓协议结束,自 2014 年起,二次供应减少约 5700tSWU/a。
后处理回收的浓缩及 MOX 燃料可减少分离功需求约为 4000tSWU/a。
当前,全球浓缩服务市场处于供大于求的状态。
按照需求基准情景预测及当前全球主要浓缩厂产能预测情况,2020 年左右将出现产能缺口,并且由于新增产能的不确定性,缺口将持续扩大,到 2026 年缺口达 1 万 tSWU/a,预计未来浓缩产能将出现大幅扩张的情况。
转化需求至 2030 年整体呈逐步增长趋势,但由于转化市场价格低迷加上 2013 年美俄高浓协议结束,预计转化供应将出现缺口,然而这些预测存在相当大的不确定性。
目前全球核电需求的转化产品主要有 UF6 和 UO2,其中 UF6 约占总需求的 95%,主要用于需要低浓的轻水堆(LWRs)和部分气冷堆(AGRs);
UO2 主要用于不需浓缩的重水堆(PHWRs、HWRs),总需求量约 2400-3600 吨。
以 UF6 为例,WNA 对全球 UF6 转化需求进行了预测,在高值情景、基准情景中,全球对 UF6 转化服务的年度需求逐步增长,2030 年预测值分别为 11.61 万吨、9.46 万吨,比 2013 年分别增长了 91%和 52%;低值情景中,2020 年比 2013 年增长了 12%,2030 年比 2013 年下降约 6%。
目前全球共有 4 家大型商业转化服务供应商,分别为:法国阿海珐集团(Areva)、加拿大矿业能源公司(Cameco)、美国康弗登公司(ConverDyn)、俄罗斯国家原子能集团(Rosatom)。以上 4 家占据了全球 95%市场份额。
此外,中国核工业集团(CNNC)也拥有一定的转化产能,但产能主要用于满足本国需求。
全球主要转化厂的总设计生产能力为 77040tU/a。
你在找的行业深度研究报告，也许我们这里都有。
全部报告可在网站免费阅读下载：www.767stock.com
乐晴智库，欢迎关注和探索！
✎ 微信公众号：lqzk168
✎ 智库君个人微信号：lqzk777
✎ 新浪微博：@乐晴智库
