9.4 了解一个快速发展领域的最新进展
作为最后的临别语，我希望给你一些建议，让你在翻完本书最后一页之后知道如何继续学习并更新知识和技能。正如我们今天所知道的，现代深度学习领域只有几年的历史，尽管它有一个很长、很缓慢的史前历史并长达数十年。自 2013年以来，随着资金来源和研究人数呈指数式增长，整个领域目前正在以狂热的步伐前进。你在本书学到的知识不会永不过时，这些知识也不是你职业生涯的剩余时间所需要掌握的全部内容。
幸运的是，网上有大量免费的在线资源，你可以用来了解最新进展，还可以拓展视野。下面介绍其中一些资源。
9.4.1 使用 Kaggle练习解决现实世界的问题
想要获得现实世界的经验，一种有效的方法是参加 Kaggle上的机器学习竞赛。唯一的真正学习方式就是通过实践与实际写代码来学习，这也是本书的哲学，而 Kaggle竞赛就是这一哲学的自然延续。在 Kaggle上，你会发现一系列不断更新的数据科学竞赛，其中许多都涉及深度学习。一些公司想要在最具挑战性的机器学习问题上获得新颖的解决方案，就举办了这些竞赛，还为顶尖参赛者提供了相当丰厚的奖金。
大部分竞赛的获胜者都使用 XGBoost库（用于浅层机器学习）或 Keras（用于深度学习）。所以你非常适合参加这些竞赛！通过参加一些竞赛，也可能是作为团队的一员，你将会更加熟悉本书所介绍的一些高级最佳实践的用法，特别是超参数优化、避免验证集过拟合与模型集成。
9.4.2 在 arXiv阅读最新进展
深度学习研究与某些其他科学领域不同，它是完全公开化的。论文一旦定稿，就会公开发布供人们自由获取，而且许多相关软件也都是开源的。arXiv（读作 archive，其中 X代表希腊字母χ）是物理、数学和计算机科学研究论文的开放获取预印本服务器。 arXiv已经成为了解机器学习和深度学习最新进展的重要方法。大多数深度学习研究人员在完成他们的论文后会立刻上传到arXiv上。这样他们可以插一面旗子，无需等待会议接收（这需要几个月）就可以宣称某项研究成果的所有权，鉴于该领域研究速度很快、竞争很激烈，这种做法是很有必要的。它还可以让这一领域快速向前发展，对于所有新的研究成果，所有人都可以立刻看到，并可以在其基础上扩展。
一个要命的缺点是，arXiv上每天发布大量新论文，即使全部略读一遍也是不可能的。这些论文没有经过同行评议，想要筛选出重要且质量很高的论文是很困难的。
在噪声中找到信号很困难，而且正在变得越来越难。目前，这个问题还没有好的解决方案。但有一些工具可以提供帮助：一个名叫 arXiv Sanity Preserver的辅助网站可以作为新论文的推荐引擎，还可以帮你在深度学习某个狭窄的垂直领域中跟踪最新进展。此外，你还可以使用谷歌学术（Google Scholar）来跟踪你最喜欢的作者的出版物。
9.4.3 探索 Keras生态系统
截至 2017年 11月，Keras约有 20万名用户，并且还在迅速增长。Keras拥有大量教程、指南和相关开源项目组成的大型生态系统。
- 使用 Keras的主要参考资料就是 Keras的在线文档（ https://keras.io）。Keras的源代码位于 GitHub上。
- 你可以在 Keras的 Slack频道（https://kerasteam.slack.com）上寻求帮助并加入深度学习讨论。
- Keras博客（https://blog.keras.io）提供了 Keras教程以及其他与深度学习有关的文章。
- 你可以在推特上关注我：@fchollet。
9.5 结束语
本书到这里就结束了！我希望你掌握了关于机器学习、深度学习、 Keras，甚至关于认知的一般知识。学习是终生的旅程，特别是在人工智能领域，我们面对的未知远远多于已知。所以请继续学习，继续提问，继续研究，永不止步。即使目前已经取得了一定进展，人工智能的大多数基本问题也仍然没有答案，许多问题甚至还没有以正确方式提出来。
