中國論文被AI期刊引用的數量已超越美國
史丹佛大學2021 AI Index數據顯示，全球去年所發表的AI期刊論文中，中國占了18%，居次的是美國的12.3%，歐盟則是8.6%。而在最常被引用的論文中，中國首度超越美國，占比20.7%，美國為19.8%，歐盟則是11%
文/陳曉莉 | 2021-03-08發表
史丹佛大學「以人為本」的人工智慧研究所（HAI）上周發表了2021 AI Index，揭露2020年全球在人工智慧（AI）領域上的發展，指出中國研究被AI期刊引用的數量已超越美國，從許多方面來看，中國與美國在AI發展上已旗鼓相當。
根據艾倫人工智慧研究所（Allen Institute for Artificial Intelligence，AI2）的統計，中國於AI期刊上所發表的論文數量在2006年就已經超越了美國，AI2認為，論文數量的多寡並不等同於品質，應該藉由論文被引用的次數作為判斷論文品質的依據，而2018年時，在最常被引用論文的前10%中，美國仍占了29%，中國則是26.5%，當時AI2即預期，中國AI論文的品質即將迎頭趕上美國，現在2021 AI Index即證實了AI2的論點。
2021 AI Index的數據顯示，全球去年所發表的AI期刊論文中，中國占了18%，居次的是美國的12.3%，歐盟則是8.6%。而在最常被引用的論文中，中國首度超越美國，占比20.7%，美國為19.8%，歐盟則是11%。
更精確的說法是，在同儕審查期刊中，中國學者被引用的數量已經超過其他國家的學者，顯示出中國AI研究不論是在數量或品質上都大有進展，至於美國也有擅場，美國AI會議論文被引用的次數則大幅領先中國。
AI Index聯合主持人Jack Clark表示，隨著AI技術持續快速進步，AI已對全球帶來重大影響，此外，他們的文獻計量分析顯示，從許多方面來看，美國與中國在AI發展上已旗鼓相當。
此一研究其它的發現還包括：對AI人才需求最高（相對其它人才）的前五個國家依序是新加坡、美國、加拿大、澳洲及紐西蘭；去年全球主要的私人AI投資領域依序為醫藥、電動車、教育、開源/運算，以及語音辨識/機器翻譯；拿到博士學位的AI專家有65.7%投入產業，只有23.7%進入學術界，前者的比重在這10年來增加了48%，後者則下滑了44%，AI教授也持續被挖角到企業任職；企業主導了AI研究人員所使用的工具，包括由Google釋出的TensorFlow與Keras，或是臉書的PyTorch，都是GitHub上最熱門的框架。
資料來源：https://www.ithome.com.tw/news/143082
keras書 在 [心得] 自學AI資源分享- 看板DataScience - 批踢踢實業坊 的推薦與評價
各位前輩好
小弟自從一年前開始在本版和Python版出沒
漸漸從完全0程式語言基礎，到可以訓練model
受到版上許多人的指引和建議
以下整理這一年多來使用覺得適合初學者的自學資源：
（網誌版本包含連結：https://x60606.pixnet.net/blog/post/300451728）
※什麼人適合讀這篇文章?
. 具有高中數學程度的人（其實也只要會矩陣和向量就可以了）
. 完全沒有程式語言基礎的人
. 有心想自學AI的人，並用於工作領域的人
. 恰好有3-6個月的空閒時間，希望多學一種語言的人
※學習時間大約要多久？
心無旁鶩的全心學習的話，大約一個月可以上手python程式語言
再大約3-6個月可以操作AI機器學習。
之後依應用領域不同自行挑選工具學習。
※第一階段
初學Python 程式語言
推薦書單：
《精通 Python：運用簡單的套件進行現代運算》Introducing Python
作者：Bill Lubanovic
從安裝下載python 及其相關套件開始教起
用語詼諧幽默，比喻生動有趣
不要被中文標題嚇到了，其實它只是introduce而已。
使用方式：
將內容範例程式碼逐步打過，養成眼到手到的習慣，兩周左右便可撰寫基礎程式碼。
從第一章開始閱讀，練習到第六章即可。
第一個難關：環境建立
初學者最常遇到的困難就是在自己的電腦上安裝編譯軟體，
由於Mac, Windows, Linux各種作業系統安裝方式不盡相同，
時常會遇到書上沒有教的窘境。
因此初學者我推薦上面這本書。
小撇步:
之後如果覺得安裝各種套件很麻煩，可以直接下載Anaconda，
使用Jupyter notebook 撰寫，自動包含所有常用機器學習套件。
※第二階段：
熟練Python並了解各種演算法之間的時間複雜度、空間複雜度差異。
推薦學習資源:
Leetcode 網站題庫
使用方法:
挑選自己有興趣的題目寫，也可以選擇難度為「簡單」的題目練習。
大約寫5-10題即可，1-2周即可完成本階段。
完成題目之後可以到討論區看其他專業工程師如何解決同樣的問題，如何更簡單明瞭、運
算更快速。
用最短的時間在資工系最硬必修──「資料結構」、「演算法設計」初窺門道。
並藉此複習上一階段沒有熟練的指令碼。
第二個難關：忘記學過的指令碼
所以需要靠刷leetcode練習複習。同一個題目能夠看到別人用不一樣的方法解決，知道自
己的不足。
※第三階段：
機器學習基礎知識
學習資源：
網路課程：林軒田教授、李宏毅教授
林軒田教授的課程比較學術生硬，投影片精美，講解詳盡有邏輯，數學成分較多，非常適
合對原理有興趣的你。
李宏毅教授的課程風趣幽默，上課步調比較隨興輕鬆，適合喜歡結合生活應用的你。
使用方法：
兩位台大教授都有將課程影片上傳至youtube，可以挑選一位從頭到尾看完。
太過於理論或數學推導的部分可以兩倍速帶過。
安排一天3小時，綜合做筆記時間，大約4-6周左右可以掌握AI機器學習所有名詞的意義，
以及數學上的邏輯、生活中的應用。
第三個難關：對機器學習原理感到迷惘或卻步
別擔心！請記得，機器學習是數學家和資料科學家經年累月發展出來的深奧學門，一般人
不需要了解全部的詳細原理，像是您學習開車但是不需要知道所有的機械結構，只要掌握
與操作有關的重點，並知道重要名詞之間的關聯即可，目標是下一階段的實作！
※第四階段
機器學習程式碼操作
書單推薦：Tensorflow + Keras 深度學習人工智慧實務應用
網路資源：AI 百日馬拉松 (不是免費的，一個人報名費約2000元左右)
我自己有報名第二屆，值得推薦的地方是他會每天給你一點程式碼
也會提供教學講義網站和重要資源的連結
學期間有助教隨時解答
不過我自己覺得，對非科班出生的人而言，原理和教學圖解部分太少
有時候中文語句也不是很通順，還有許多改進空間
因此上面三個階段完成的人來看會比較不吃力
未來應用若有很好的資源會再補充！
歡迎提供更多資源建議，謝謝！
--
※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 58.114.177.47 (臺灣)
※ 文章網址: https://www.ptt.cc/bbs/DataScience/M.1565457306.A.861.html
※ 編輯: x60606 (58.114.177.47 臺灣), 08/11/2019 01:19:13
... <看更多>