2014/4/27 本文原創位址我不能保證，對原創人員我想說sorry！從這篇文章可以看出在這個領域，頂級會議比期刊更加重要（顯而易見）。之後我會更新一篇博文，某大牛寫得如何閱讀**。
原創文章：
看了版上很多貼子，發現很多版友都在問「熱門研究方向」、「最新方法」等。有同學建議國內某教授的教材、或者cnki、或者某些sci期刊。每當看到這種問題，我都有點納悶，為什麼不去讀頂級會議上的**？
我無意否認以上文獻的價值，但是在機器學習、計算機視覺和人工智慧領域，頂級會議才是王道。國內教材和cnki上的基本是n年前老掉牙的東西。有人會質疑這些會議都只是ei。是的，這的確非常特殊：在許多其它領域，會議都是盛會，比如society of neuroscience的會議，每次都有上萬人參加，帶個abstract和poster就可以去。但在所討論的幾個領域，頂級會議的重要性無論怎麼強調都不為過。
可以從以下幾點說明：(1)因為機器學習、計算機視覺和人工智慧領域發展非常迅速，新的工作層出不窮，如果把**投到期刊上，一兩年後刊出時就有點out了。因此大部分最新的工作都首先發表在頂級會議上，這些頂級會議完全能反映「熱門研究方向」、「最新方法」。(2)很多經典工作大家可能引的是某頂級期刊上的**，這是因為期刊**表述得比較完整、實驗充分。但實際上很多都是在頂級會議上首發。比如plsa, latent dirichlet allocation等。(3)如果注意這些領域大牛的publications，不難發現他們很非常看重這些頂級會議，很多人是80%的會議+20%的期刊。即然大牛們把最新工作發在頂級會議上，有什麼理由不去讀頂級會議？
(1) 以下是不完整的列表，但基本覆蓋。
機器學習頂級會議：nips, icml, uai, aistats; （期刊：jmlr, ml, trends in ml, ieee t-nn）
計算機視覺和影象識別：iccv, cvpr, eccv; （期刊：ieee t-pami, ijcv, ieee t-ip）
人工智慧：ijcai, aaai; （期刊ai）
另外相關的還有sigraph, kdd, acl, sigir, www等。
特別是，如果做機器學習，必須地，把近4年的nips, icml翻幾遍；如果做計算機視覺，要把近4年的iccv, cvpr, nips, icml翻幾遍。
比如cv方面：
nips:
jmlr(期刊):
colt和icml(每年度的官網): 希望這些資訊對大家有點幫助。
(3) 說些自己的感受。我的研究方向主要是統計學習和概率圖模型，但對計算機視覺和計算神經科學都有涉及，對data mining和ir也有些了解。這些領域，從方法和模型的角度看，統計模型（包括probabilistic graphical model和statistical learning theory）是主流也是非常有影響力的方法。有個非常明顯的趨勢：重要的方法和模型最先在nips或icml出現，然後應用到cv,ir和mm。雖然具體問題和應用也很重要，但多關注和結合這些方法也很有意義。
對於這個領域的牛人們，以上全是淺顯的廢話，完全可以無視。歡迎討論。
機器學習研究方向
看了版上很多貼子，發現很多版友都在問 熱門研究方向 最新方法 等。有同學建議國內某教授的教材 或者cnki 或者某些sci期刊。每當看到這種問題，我都有點納悶，為什麼不去讀頂級會議上的 我無意否認以上文獻的價值，但是在機器學習 計算機視覺和人工智慧領域，頂級會議才是王道。國內教材和cnki上的基本是...
機器學習研究方向
看了版上很多貼子，發現很多版友都在問 熱門研究方向 最新方法 等。有同學建議國內某教授的教材 或者cnki 或者某些sci期刊。每當看到這種問題，我都有點納悶，為什麼不去讀頂級會議上的 我無意否認以上文獻的價值，但是在機器學習 計算機視覺和人工智慧領域，頂級會議才是王道。國內教材和cnki上的基本是...
FPGA機器學習之學習的方向
我可能還有些不一樣的我感覺我能做到的人工智慧，不想去說機械人打敗人類，還有很多像科幻片裡面的機械人一樣的狀態，我沒那個本事。我想做的事情很簡單，讓機器的眼睛看懂普通事物，做一些簡單的事情就可以了。所以我主要的方向就是，機器視覺。那我計畫如何一步一步向前走呢？或者說我要學習哪些東西呢？我目前的內容都是...