开个题先做机器学习这行很多人第一反应是“我该看哪本书、上谁的课”但其实比这个更底层的问题是——这门学科到底从哪来的、现在处在什么位置、哪些渠道在定义它的方向、有哪些人值得长期跟踪。尤其是期刊和会议这两个东西几乎决定了你在学术圈和工业界能走多远但网上讲清楚的真不多。这篇文章不打算写成教科书式的综述而是从我实际入行、投稿、参会、做研究这几年的经验出发把机器学习的发展脉络、重要期刊、顶级会议、关键人物这四块彻底梳理一遍。内容会兼顾新手和老手新手可以拿它当导航地图避免在信息海里瞎转老手也可以看看有没有遗漏的视角顺便对投稿选刊、跟会方向做一次复盘。1. 机器学习这门学科是怎么长成今天这个样子的1.1 从“写规则”到“学规则”一次根本性的范式转移理解机器学习的历史核心是理解一次范式的转换以前我们做智能系统靠的是人把规则一条一条写清楚比如“如果温度大于30度就开空调”这种基于规则的专家系统在二十世纪八九十年代火过一阵但很快就撞上了天花板——现实世界的规则太多、太隐蔽、太容易变化人根本写不完。机器学习换了个思路不告诉机器规则是什么而是给机器一堆例子让机器自己从例子中归纳规则。这件事最早的雏形可以追溯到二十世纪五十年代当时主要是感知机Perceptron这类线性模型由Frank Rosenblatt提出。那个年代的计算能力、数据规模都极其有限感知机能处理的问题也很简单稍微复杂一点的非线性问题就直接卡住。这里必须多说一句很多人以为机器学习是2012年以后才有的事其实它中间经历了至少两次“寒冬”。第一次寒冬发生在1969年到1980年代初原因是Marvin Minsky和Seymour Papert在《Perceptrons》这本书里证明了单层感知机的根本局限——连异或XOR这种简单函数都学不了。这个理论打击是毁灭性的直接让神经网络研究被冷冻了差不多十年。第二次寒冬发生在1980年代末到1990年代虽然反向传播算法在1986年由Rumelhart、Hinton和Williams重新带火了神经网络但当时的训练数据太小、硬件太弱训练一个能实用的网络非常困难加上统计学习理论逐渐崛起神经网络再次被边缘化。1.2 三股力量的合流联结主义、符号主义与统计学习这里有一个特别重要的视角机器学习从来不是一条单线演进而是三股力量一直在拉扯。第一股是联结主义也就是神经网络那一派强调通过模拟神经元连接来完成学习代表人物是Geoffrey Hinton、Yann LeCun和Yoshua Bengio。这一派在2000年代之前是弱势群体经费少、论文难发、还被主流学界嘲讽。第二股是符号主义强调用逻辑和规则表征知识早期专家系统就是这个方向代表人物有John McCarthy、Marvin Minsky等。这一派在专家系统退潮之后逐渐边缘化。第三股是统计学习这可能是对今天影响最深远的一支。它把学习问题当成统计推断问题不追求复杂网络而是用严谨的数学理论刻画“什么条件下学习能够成功”。代表人物包括Vladimir Vapnik支持向量机、Leo Breiman随机森林、Jerome Friedmanboosting等。统计学习理论在1990年代到2000年代前期是绝对主流今天的机器学习课程里的泛化理论、偏差方差分解、正则化思想很多都来自这个时期。这三股力量在2012年后实际上完成了合流深度学习从治理神经网络里重获新生同时它吸收了统计学习的经验比如正则化、初始化、优化理论才变得稳定可用。所以你看任何一篇顶会论文神经网络结构只是外壳里面的目标函数设计和泛化分析还是统计学习的底子。1.3 2012年之后算力、数据与算法的螺旋上升很多人都知道2012年AlexNet在ImageNet上夺冠是深度学习爆发的标志性事件但如果只记住这一个点就太可惜了。我认为更重要的是理解为什么是那几年爆发而不是更早或更晚。首先是算力特别是GPU的通用计算化。早在2004年前后GPU就开始被用于通用并行计算但直到2009年Google Brain用大规模分布式集群做无监督学习、2012年AlexNet用两块GTX 580训练出惊艳结果之后整个AI社区才意识到GPU是深度学习的“加速器核心”。没有便宜可用的并行算力再好的算法也烧不出来。其次是数据尤其是带标签数据的规模化。ImageNet的数据集从2009年开始稳定输出数百万张带标签图片移动互联网普及后文本、语音、行为数据量也在暴涨。深度学习本质上是“数据密集型”的统计模型数据不够的时候效果就是上不去这是个物理规律。第三是算法工程的成熟。2012年到2015年间ReLU激活函数、Dropout、BatchNorm、残差网络这些重要技术密集出现其实很多思想早就有了但只有在足够大的数据和算力验证下它们才变成可复现的公共知识。从此之后机器学习进入了“论文推动-工程反馈-再推动”的正循环。现在的格局是什么Transformer架构从2017年出现后横扫NLP和CV预训练微调成为主流范式大型语言模型从GPT系列一路演进到多模态大模型。深度学习已经不只是机器学习的一个子方向而是几乎定义了当前机器学习的“主赛道”。2. 顶会江湖真正定义机器学习方向的地方2.1 机器学习核心会议全景图在机器学习领域会议的分量往往比期刊更重。这和传统理工科非常不一样——计算机领域看重会议因为会议评审周期短、迭代快、交流密度高最新的成果几乎都在会上先发布。很多新人刚入学会不习惯看到某篇Nature子刊就以为比NeurIPS顶会厉害这个观念要尽早扭转。机器学习方向最重要的会议我按研究主题给你分成几类。会议简称全称方向定位等级与口碑NeurIPSConference on Neural Information Processing Systems综合机器学习、神经科学、优化、概率模型公认机器学习第一会议录取率约20%-25%ICMLInternational Conference on Machine Learning综合机器学习理论与应用与NeurIPS同级偏理论和方法创新ICLRInternational Conference on Learning Representations表征学习、深度学习理论2013年创立近年评分极苛刻AISTATSArtificial Intelligence and Statistics机器学习与统计交叉理论性强适合做理论与推断的人UAIConference on Uncertainty in Artificial Intelligence概率图模型、因果推断小而精贝叶斯方向友好AAAIAAAI Conference on Artificial Intelligence广义AI包含机器学习应用综合老牌会议录取率相对友好IJCAIInternational Joint Conference on Artificial Intelligence广义AI与AAAI互补老牌综合会议应用场景覆盖广KDDACM SIGKDD Conference on Knowledge Discovery and Data Mining数据挖掘、大规模机器学习偏数据挖掘和产业落地CVPR / ICCV / ECCVComputer Vision会议体系计算机视觉与视觉机器学习CV方向三大顶会ACL / EMNLP / NAACL自然语言处理会议体系NLP与语言模型NLP方向顶会看起来会议很多但核心逻辑是NeurIPS和ICML是你做机器学习都应该关注的“公共广场”不管你做CV还是NLP最新的模型架构、训练技巧、开源工具几乎都会先在这两个会上讨论。ICLR则越来越吃香因为它的评审风格是从“怀疑”出发修改最终稿对方法创新的要求极高。2.2 年度顶会上的“风向标”论文如果你不知道看什么我建议每年盯住这五类论文最佳论文、被引快速上升的论文、来自Google DeepMind、OpenAI、Meta AI、Anthropic等主要AI实验室的论文、工业界发布的大规模基准与数据集论文、以及用开源代码复现效果出圈的论文。为什么这些有风向标意义因为“最佳论文”代表了会议组织者希望引导的研究品味比如NeurIPS近年来开始偏好理论分析与实证结合得好的工作“大实验室论文”代表了资源密集的方向在哪里比如大模型对齐、Agent、世界模型“开源复现类论文”代表了真正能落地的技术细节往往比刷SOTA的论文更有参考价值。我举个具体例子2017年“Attention Is All You Need”这篇Transformer论文发表在NeurIPS上当年很多人没有意识到它会成为未来五年乃至十年的基础架构。如果只看标题和摘要你很可能低估它但如果你按照“在ArXiv上跟踪最新论文在顶会session里听提问看开源代码库的星标数增长”这套组合拳来追踪完全可以在它被大众认识到之前就判断出潜力。2.3 参会与投稿的经验之谈先说说投稿的选修问题。这里特别提醒你是新手不要一上来就冲NeurIPS或ICML因为这两个会议的审稿极其严格观察分平均分不够就会被拒而且近年来录取率一路走低。比较合理的路径是先在领域内中等会议或workshop上练手比如AAAI、IJCAI或各大会的Workshop再逐步冲击顶级会议。投稿过程中最常见的坑有三个第一是没有认真看会议的“call for papers”不少会议的格式和主题倾向差异极大。比如ICLR喜欢匿名制下直击本质的问题KDD更关注数据挖掘场景的实际效果。投KDD的时候把ICLR那套理论风格拿过去基本是送人头。第二是忽视了“reproducibility checklist”。目前NeurIPS、ICML、ICLR都要求在论文中提供代码和数据说明甚至有些会强制提交代码。很多论文理论上很漂亮但实验代码惨不忍睹审稿人会直接打低分。第三是实验对比不充分。审稿人最烦的就是新方法和自己选的baseline比却不和已有最先进方法SOTA比。其实这在逻辑上完全站不住你如果只跟弱的对手比赢了也不说明任何问题。参会方面如果你是学生强烈建议趁早报名参会而不只是投论文。我第一次去NeurIPS时只在poster session听了半小时Famous Researcher的讨论收获比读一个星期论文都大。现场提问、讨论、交换联系方式、了解别人在失败什么——这些是论文里永远读不到的信息。另外搜索引擎和近期热搜词里面常看到“腾讯会议”这类关键词我得顺便澄清一下腾讯会议是远程视频会议软件与机器学习顶会完全是两回事。但因为现在大量学术会议也提供线上分会场很多人混用“开会”和“会议系统”的概念硬是把腾讯会议的应用场景和NeurIPS的投稿绑在了一起这是误读。3. 期刊矩阵从JMLR到TPAMI投稿与选刊的真实门道3.1 机器学习重要期刊盘点会议重要但期刊并没有死。对很多学校毕业、职称评审、基金申请来说期刊论文依然是硬通货而且很多技术细节和完整理论推导只有期刊版本才有。尤其在数学理论方向、医学人工智能、生物信息学这些交叉领域期刊的影响力和认可度完全不亚于顶会。我按方向把几个重要期刊列出来方便你对照参考。期刊名全称或出版社方向定位关键信息JMLRJournal of Machine Learning Research纯粹的机器学习理论、算法、应用开源、无版面费在ML学术界口碑极高出版社MicrotomeMachine LearningSpringer广义机器学习理论与应用老牌期刊包容度高审稿周期中等TPAMIIEEE Transactions on Pattern Analysis and Machine Intelligence模式识别、计算机视觉、机器学习IEEE旗舰审稿严格但CV方向硬通货TNNLSIEEE Transactions on Neural Networks and Learning Systems神经网络与学习系统IEEE神经网络方向核心刊物AIJArtificial Intelligence Journal模拟AI的广义期刊老牌综合刊物偏深度AI理论Neural NetworksElsevier神经网络、深度学习老朋友Elsevier旗下审稿较快Nature Machine IntelligenceNature系列高质量和跨学科的ML研究对普适型、突破性成果关注度高Pattern RecognitionElsevier模式识别和图像处理中规中矩适合CV方向应用型工作这里要特别强调JMLR的地位。它不给商业出版社交钱发表免费所有论文免费可读这在学术出版界几乎是清流。很多里程碑式的论文比如支持向量机理论、稀疏编码、概率图模型的一些经典工作是发在JMLR上的。如果你走理论路线JMLR就是你的目标如果你是工业向那TPAMI或者应用向期刊可能更合适。3.2 选刊的核心逻辑从投稿周期到审稿偏好选刊是门学问核心逻辑不是你觉得“这个期刊好”就投它而是你的论文特点与期刊的口味是否匹配。我踩过几次坑之后总结出三个判断标准。第一看清期刊的“理论纯度”。做理论推导的投JMLR、AIJ、Information Theory类容易获得知音做应用优化的投Machine Learning、Pattern Recognition、Neurocomputing这种对工程要求更高但理论深度要求不高的期刊更容易中。如果你把一篇很偏应用的工作投给JMLR大概率会被审稿人批“缺少理论贡献”。第二看审稿周期。不同期刊差别极大Elsevier体系下的专家系统Expert Systems With Applications审稿速度相对快大概2到4个月有第一轮意见IEEE TPAMI往往要半年以上。如果你的毕业时间或者项目结题时间紧张选择平均审稿速度较快的刊物是理性决策。这里顺便回应一下热搜里那个“MDPI期刊编辑决定16天后才under review”的问题——MDPI的流程是先由编辑做内部决定再进入外部审稿16天只代表编辑初筛完成不奇怪因为编辑还要找合适的学术编辑并等待审查邀请。第三看期刊对格式的要求。比如IEEE旗下期刊对参考文献格式要求极严Elsevier系期刊通常要求Author Statement、Highlights等文件。很多人把格式问题当成小事结果返工三次白白浪费几周。3.3 投稿中常见的坑与经验教训投稿期刊和投会议完全是两套体制这里面的坑特别多我捡几个最常见的提醒一下。第一个坑是“用会议版投期刊”。由于很多期刊接收“扩展版会议论文”你确实可以把顶会论文扩展成期刊版但它必须有实质性增量——一般要求至少包含30%到50%的新内容新的方法、新的实验或新的理论分析都可以。不少人只是重写了一下摘要就投出去直接被编辑以“无重大贡献”退回。第二个坑是“选错期刊的投稿格式”。以Expert Systems With Applications为例Elsevier的要求包括manuscript单栏双行距、独立的Highlights文件、CRediT作者贡献声明、cover letter里必须说明文章的创新点和与已有工作的差异。热门搜索里“expert system with application期刊投稿格式”一直居高不下说明很多人卡在格式关其实提前把author guidelines下载下来对照两小时就能搞定。第三个坑是IEEE期刊缩写问题。写参考文献时IEEE要求期刊名用标准缩写比如IEEE Transactions on Pattern Analysis and Machine Intelligence缩写是IEEE Trans. Pattern Anal. Mach. Intell.很多人写成TPAMI就直接被判格式不规范。建议用IEEE官方的期刊引用列表一一核对。第四个坑是“作者确认时机”。比如“asoc期刊是什么时候作者确认”这个热门搜索其实问到点子上了——Applied Soft ComputingASOC是Elsevier旗下期刊在提交时系统会让你确认所有作者信息但在接收后正式出版前还会再次要你确认最终作者列表。这次确认非常关键因为之后再做任何作者变更流程极其麻烦。所以投稿前一定要和所有作者确认好排名和通讯作者身份不要等录用再改。4. 大牛地图在这条路上该记住谁、读谁的文章、听谁的课4.1 奠基人物与三大学派机器学习的人物谱系也对应着前面提到的那三股思想力量。不夸张地说今天你用的每一套技术往上溯源都能找到具体某个人和某篇论文。符号主义和AI基础方向的奠基人必须知道John McCarthy和Marvin Minsky。前者提出了“人工智能”这个词组织了达特茅斯会议后者创办了MIT的AI实验室写了那本给感知机“判死刑”的书。他们的贡献不只是今天落地的技术而是为整个学科划定了问题范围和怀疑精神。统计学习方向的奠基人要记住Vladimir Vapnik和Leo Breiman。Vapnik是支持向量机SVM的发明者之一他的统计学习理论和VC维概念几乎是“学习理论”的代名词Breiman是随机森林和Bagging的提出者他写的《Statistical Modeling: The Two Cultures》值得所有机器学习研究者精读因为它在争论“数据建模”和“算法建模”哪个才是正道这场争论今天仍在继续。连接主义方向的奠基人就是深度学习三巨头Geoffrey Hinton、Yann LeCun和Yoshua Bengio。Hinton在1986年把反向传播真正推广到多层网络2012年用深度学习赢得ImageNet冠军2024年还拿了诺贝尔物理学奖虽然奖项是物理学的但表彰的是他在神经网络上的贡献LeCun把卷积神经网络变成图像识别的基础Bengio在深度生成模型、表征学习方面持续做了大量工作。4.2 现代机器学习版图中的“中坚力量”除了这些奠基人物还有一批人对今天的机器学习形态影响巨大。Michael I. Jordan是加州大学伯克利分校教授在统计学和机器学习之间架起桥梁提出了概率图模型与推断的一系列重要框架。他和Andrew Ng贡献了大量的概率观点这类观点是理解贝叶斯优化、潜在变量模型的核心比单纯的深度学习视角更深刻。Andrew Ng吴恩达可能是一位对入门影响最大的大牛。他的Coursera机器学习课程常年是各大高校MOOC榜的开山之作虽然课程技术上相对基础但他的讲解方式彻底降低了机器学习的门槛。很多人在“吴恩达机器学习”这门课里完成了第一次理解Linear Regression、Logistic Regression、神经网络和推荐系统的全过程。李宏毅是台湾大学的教授他的“机器学习”和“深度学习人类语言处理”课程在B站和YouTube上播放量巨大。他讲课的特点是能用一个很通俗的比喻讲透抽象概念比如把Gradient Descent比喻成下山找最低点把Attention解释成“查表”很多学生正是因为他的课才真正理解了Transformer和扩散模型。国内方面周志华教授是南京大学的学术领军人物他的《机器学习》西瓜书是国内各高校机器学习课程的主流教材。他那套课程体系比较理论化和国科大、清华等学校“模式识别与机器学习”课程的风格一致适合在入门之后再啃。4.3 如何把大牛的资源真正用起来光是“知道”这些人名没用要把它们变成你学习和研究的路标。我个人的习惯是三步走。第一步是去读他们主页里的“代表性论文”或“课程讲义”。Hinton、LeCun、Bengio、Jordan的主页上都有系统整理的论文列表和教学资料这个比你在谷歌里泛搜效率高得多。李宏毅的课程主页把所有slides和作业都公开了非常适合自学者。第二步是去论文集和ArXiv上追踪他们的近五年工作。很多大牛每年都会在NeurIPS或ICML上发表论文你关注这些论文相当于免费追加了他们课题组的研究进展。尤其是Bengio和LeCun近年关注自监督学习和AI安全问题这些判断会直接影响你选择研究题目的方向。第三步是“反着用”大牛的公开课。比如吴恩达的课适合入门但如果你已经会写模型再刷一遍就没必要了反而应该去看李宏毅或林軒田林軒田在台大的“机器学习基石”课程讲SVM和理论推导极好的进阶内容。大牛资源不是按顺序全看一遍而是按需取用这点很多人没想明白。另外当前很多名校的“模式识别与机器学习”“机器学习期末复习”等课程内容本身就是几位大牛课程的衍生。你想通过期末核心是吃透“三大假设”那类理论常识和相关数学推导而不是背代码。5. 结合“热门搜索”的学习路线与踩坑记录5.1 一套经得起验证的学习路线现在网上关于“机器学习入门”的信息太杂了初学者很容易被带偏。结合我自己的经历和一些真实学弟学妹的反馈我给你一条比较稳妥的路线。第一阶段是打基础核心目标是“能说出机器学习在做什么”。建议先用吴恩达的Coursera课程入门配合李宏毅的机器学习课程。这个阶段不用写复杂代码关键是理解监督学习、无监督学习、分类、回归、梯度下降、过拟合这些基础概念以及机器学习里的“三大假设”是怎么回事——比如独立同分布假设、训练集与测试集同分布假设、样本量足够假设。这些假设听起来像废话但如果你想明白“为什么机器学习能泛化”绕不开它们。第二阶段是动手实践核心目标是“跑通一个完整项目”。经典的选择是波士顿房价数据集Boston Housing用它练习数据清洗、特征工程、模型训练、交叉验证和结果分析这个全流程。很多教材用这个数据集是因为它小而全你可以在几小时内完整走一遍流程这对建立“机器学习应用流程”的全局观至关重要。数据集虽小但“应用流程”四个字才是真正学习的东西。第三阶段是数学理论提升核心目标是从“会调包”进化到“懂原理”。这个阶段要看PRMLPattern Recognition and Machine LearningBishop著或者各校讲义里的“模式识别与机器学习”内容。PRML电子版网上很容易找到你不需要一口气啃完建议重点啃前四章和第八章到第十章这两块覆盖了线性模型、概率建模和推断的基本语法。同时配合“机器学习数学理论泛化误差界、深度学习”这类专题学习去理解模型的误差如何分解成偏差和方差理解训练误差小但泛化误差大是什么情况。第四阶段是进阶研究方向核心目标是“能读论文、能复现、能创新”。这时候你需要会搭建自己的实验环境。热门搜索中“学校实验室搭建机器学习服务器”很常见我的建议是如果只有一两张显卡、几个人用用一个Anaconda配合Docker就足够不用整天折腾K8s如果超过四个人共享GPU卡再考虑GPU队列调度工具。环境这把钥匙必不可少否则你连论文代码都跑不起来。5.2 爬坑实录从环境配置到期末自救这一节我单独说一些踩坑经验因为“看会了原理”和“真正跑通”之间有巨大的鸿沟。关于“机器学习python环境配置”新手最容易出的问题就是Python版本、CUDA版本和PyTorch/TensorFlow版本对不上。我的建议是尽量用conda创建单独的虚拟环境用PyTorch或TensorFlow官方官网的安装命令不要自己去pip瞎装一堆版本。我自己曾经因为cudatoolkit版本与显卡驱动不一致折腾了整整一天最后发现是少装了一个cudnn。后来我开始把所有深度学习环境打成Docker镜像换机器直接拉镜像彻底告别“环境地狱”。关于“认识猫、标签、分类器”的问题。很多人刚学分类时会困惑为什么模型能学会识别猫本质上分类器学习的是“猫”这个类别的特征分布和决策边界。你喂给模型的是大量标注好“猫”和“非猫”的图片模型在训练中不断调整参数直到能把两类样本尽量分开。有人把这个过程神化成“机器真的理解猫了”其实不是它只是找到一个在训练数据上表现良好的函数至于这个函数是不是真的“理解”了什么这个问题属于“可解释机器学习”目前还在研究早期。不过这不影响你把猫图片放进训练集然后在测试集上得到接近完美的准确率。关于“机器学习期末复习”和“头歌机器学习”这类热搜。头歌平台里有大量机器学习实训题目从数据预处理、pandas操作到卷积神经网络、集成学习都有很适合练手。但记住这些实训题和期末考试是两个体系——实训题考的是流程操作期末考试考的是概念和推导。西电、南大、国科大这些学校开设的机器学习课程侧重点不同但期末的重点基本都是损失函数怎么推导、梯度下降的更新公式、偏差方差分解、PCA怎么变换、SVM的对偶问题、决策树的物理意义等。建议复习时先刷一遍指定教材的推导再利用头歌的实践题练感觉。5.3 关于大型语言模型时代的个人观察最后说点趋势性的内容。当前机器学习最热的就是大模型从GPT系列到开源社区里的LLaMA、Mistral、Qwen等基本重塑了自然语言处理甚至整个机器学习的研究路径。这里有一个你必须理解的想法大模型本身并没有改变机器学习的根基它仍然是“数据模型优化”三要素的组合。但它改变了规模效应——过去你是用几万条数据训练一个小网络现在是几万亿token训练一个万亿参数的模型。算力、数据、工程协作的难度呈指数上升普通人可能无法从头训模型但完全可以做微调、RAG、Agent应用这些方向。论文和会议的偏好也在变化近两年NeurIPS和ICML上关于大模型对齐、评测、可解释性的论文数量激增这直接会影响到你未来选研究课题时的方向判断。不过我要泼一点冷水很多初学者看到大模型火爆就只学Transformer和Prompt完全忽略统计学习、概率图模型、优化理论这些基础。这是一个很大的误区。大模型的底层构建模块——注意力机制的哈希近似、分布外检测、不确定性估计、损失函数设计——全都依赖这些“老知识”。你可以不炫的动手实践和投稿选择但千万不要丢弃理论功底。写到最后我想说说我个人在这个领域摸爬滚打多年后最大的体会。机器学习这个东西入门看起来很容易似乎安装一个库、跑通一个demo就算会了但真正拉开差距的恰恰是那些最“枯燥”的部分你懂不懂泛化误差界、能不能推导梯度下降为什么会收敛、知不知道为什么某些数据集上调参调到极致也就那样、能不能判断一篇文章是包装出来的刷分还是真实有效。期刊和会议是你的“思想市场”大牛和经典论文是你的“路线图”动手实践是你自己的“试错实验”。这三样东西缺一不可。而且我特别想对还在校园里的朋友说一句趁你还有整块时间赶紧去把PRML这类书啃一遍把吴恩达和李宏毅的课程完整过一遍去社群里认识几个靠谱的研究伙伴等工作了以后再补这些基础代价会大得多。最后再分享一个小技巧不管你是要走学术还是工业路线建议你每年年底做一个“年度盘点”——把这一年NeurIPS、ICML、ICLR、CVPR上最让你心动的十篇论文整理成思维导图把这一年的热门研究方向、大牛观点、工具更新全部过一遍。坚持三年你对机器学习发展脉络和现状的理解会超过身边绝大部分同行。