在 DAIR.AI,我们 ❤️ 开放 AI 教育。在这个 repo 中,我们索引并组织了 YouTube 上一些最好的和最新的机器学习课程。
机器学习
- 加州理工学院 CS156:从数据中学习
- 斯坦福 CS229:机器学习
- 与机器学习交朋友
- 应用机器学习
- 机器学习简介(图宾根)
- 机器学习讲座(Stefan Harmeling)
- 统计机器学习(图宾根)
- 概率机器学习
- MIT 6.S897:医疗保健机器学习(2019)
深度学习
- 神经网络:从零到英雄
- 麻省理工学院:艺术、美学和创造力的深度学习
- 斯坦福 CS230:深度学习(2018)
- 深度学习简介(麻省理工学院)
- CMU 深度学习简介 (11-785)
- 深度学习:CS 182
- 深度无监督学习
- 纽约大学深度学习 SP21
- 基础模型
- 深度学习(图宾根)
科学机器学习
实用机器学习
- LLMOps:使用大型语言模型构建真实世界的应用程序
- 评估和调试生成式人工智能
- 面向开发人员的 ChatGPT 提示工程
- LangChain 用于 LLM 应用程序开发
- LangChain:用你的数据聊天
- 使用 ChatGPT API 构建系统
- LangChain 和矢量数据库投入生产
- 构建 LLM 支持的应用程序
- 全栈法学硕士训练营
- 全栈深度学习
- 面向程序员的实用深度学习
- 斯坦福 MLSys 研讨会
- 生产机器学习工程 (MLOps)
- 麻省理工学院以数据为中心的人工智能简介
自然语言处理
- XCS224U:自然语言理解(2023)
- 斯坦福 CS25 - 变形金刚联合
- NLP课程(拥抱脸)
- CS224N:基于深度学习的自然语言处理
- CMU 神经网络在 NLP 中的应用
- CS224U:自然语言理解
- CMU 高级 NLP 2021/2022/2024
- 多语言 NLP
- 高级 NLP
计算机视觉
强化学习
图机器学习
多任务学习
其他的
机器学习的入门课程,涵盖基本理论、算法和应用。
- 第 1 讲:学习问题
- 第二讲:学习是否可行?
- 第 3 讲:线性模型 I
- 第四讲:误差与噪声
- 讲座 5:训练与测试
- 第六讲:泛化理论
- 第七讲:风险投资维度
- 第 8 讲:偏差-方差权衡
- 第 9 讲:线性模型 II
- 第 10 讲:神经网络
- 第 11 讲:过度拟合
- 第 12 讲:正则化
- 第 13 讲:验证
- 第 14 讲:支持向量机
- 第 15 讲:核方法
- 讲座 16:径向基函数
- 第 17 讲:三个学习原则
- 第 18 讲:结语
🔗课程链接
学习机器学习的一些基础知识:
- 线性回归与梯度下降
- 逻辑回归
- 朴素贝叶斯
- 支持向量机
- 内核
- 决策树
- 神经网络简介
- 调试 ML 模型...
🔗课程链接
一系列迷你讲座涵盖了机器学习的各种入门主题:
- 人工智能的可解释性
- 分类与回归
- 进动与回忆
- 统计学意义
- 聚类和 K 均值
- 集成模型...
🔗课程链接
课程提供神经网络的深入概述。
- 反向传播
- 语言建模的详细介绍
- 激活和梯度
- 成为反向传播忍者
🔗课程链接
涵盖深度学习在艺术、美学和创造力方面的应用。
- 怀旧 -> 艺术 -> 创造力 -> 数据+方向的演化
- 高效的 GAN
- 人工智能创造力探索
- 神经抽象
- 通过一致的神经场轻松创建 3D 内容...
🔗课程链接
涵盖深度学习的基础知识、如何构建不同的神经网络(CNN、RNN、LSTM 等)、如何领导机器学习项目以及深度学习从业者的职业建议。
- 深度学习直觉
- 对抗样本——GAN
- 深度学习项目的完整周期
- 人工智能和医疗保健
- 深度学习策略
- 神经网络的可解释性
- 职业建议和阅读研究论文
- 深度强化学习
要学习机器学习中一些最广泛使用的技术:
- 最优化与微积分
- 过度拟合和欠拟合
- 正则化
- 蒙特卡罗估计
- 最大似然学习
- 最近邻居
- ...
🔗课程链接
该课程是机器学习的基本介绍,涵盖了回归、分类、优化、正则化、聚类和降维中的关键概念。
- 线性回归
- 逻辑回归
- 正则化
- 提升
- 神经网络
- 主成分分析
- 聚类
- ...
🔗课程链接
涵盖许多基本的 ML 概念:
- 贝叶斯规则
- 从逻辑到概率
- 分布
- 矩阵微分学
- 主成分分析
- K-means 和 EM
- 因果关系
- 高斯过程
- ...
🔗课程链接
该课程涵盖统计机器学习中的标准范式和算法。
- KNN
- 贝叶斯决策理论
- 凸优化
- 线性和岭回归
- 逻辑回归
- 支持向量机
- 随机森林
- 提升
- 主成分分析
- 聚类
- ...
🔗课程链接
本课程涵盖以下主题:
- 为计算机视觉、自然语言处理、表格分析和协同过滤问题构建和训练深度学习模型
- 创建随机森林和回归模型
- 部署模型
- 使用世界上发展最快的深度学习软件 PyTorch,以及 fastai 和 Hugging Face 等流行库
- 扩散模型的基础与深入探讨
- ...
有关构建机器学习系统的各种主题的系列研讨会。
🔗讲座链接
Andrew Ng 的 MLOP 专业课程。
🔗讲座链接
涵盖以数据为中心的人工智能 (DCAI) 这一新兴科学,该科学研究改进数据集的技术,这通常是提高实际 ML 应用程序性能的最佳方法。主题包括:
- 以数据为中心的人工智能与以模型为中心的人工智能
- 标签错误
- 数据集创建和管理
- 以数据为中心的机器学习模型评估
- 类别不平衡、异常值和分布偏移
- ...
🔗课程网站
🔗讲座视频
了解机器学习中的一些最新图形技术:
- 网页排名
- 矩阵分解
- 节点嵌入
- 图神经网络
- 知识图谱
- 图的深度生成模型
- ...
🔗课程链接
要学习机器学习的概率范式:
- 不确定性推理
- 连续变量
- 采样
- 马尔可夫链蒙特卡罗
- 高斯分布
- 图形模型
- 调整推理算法
- ...
🔗课程链接
本课程向学生介绍医疗保健领域的机器学习,包括临床数据的性质以及机器学习在风险分层、疾病进展建模、精准医疗、诊断、亚型发现和改进临床工作流程中的应用。
🔗课程链接
了解深度学习的一些基础知识:
- 深度学习简介
🔗课程链接
课程从 MLP(多层感知器)逐渐开始,然后进展到注意力和序列到序列模型等概念。
学习深度学习中一些广泛使用的技术:
- 机器学习基础
- 错误分析
- 优化
- 反向传播
- 初始化
- 批量标准化
- 风格转换
- 模仿学习
- ...
🔗课程链接
了解深度无监督学习中最新、最广泛使用的技术:
- 自回归模型
- 流动模型
- 潜变量模型
- 自监督学习
- 隐式模型
- 压缩
- ...
🔗课程链接
学习深度学习的一些高级技术:
- 神经网络:旋转和挤压
- 基于潜在变量能量的模型
- 无监督学习
- 生成对抗网络
- 自动编码器
- ...
🔗课程链接
了解 GPT-3、CLIP、Flamingo、Codex 和 DINO 等基础模型。
🔗课程链接
本课程介绍深度神经网络的实践和理论原理。
- 计算图
- 激活函数和损失函数
- 训练、正则化和数据增强
- 基本和最先进的深度神经网络架构,包括卷积网络和图神经网络
- 深度生成模型,如自动编码器、变分自动编码器和生成对抗网络
- ...
🔗课程链接
- 科学模拟器的基础知识
- 并行计算简介
- 连续动力学
- 逆问题与可微分规划
- 分布式并行计算
- 物理信息神经网络和神经微分方程
- 概率规划,又称程序的贝叶斯估计
- 全球化模型理解
🔗课程链接
本课程涵盖以下主题:
- 上下文词语表示
- 信息检索
- 情境学习
- NLU 模型的行为评估
- NLP 方法和指标
- ...
🔗课程链接
本课程由专注于 Transformer 的讲座组成,深入介绍其应用
- Transformer 简介
- 语言中的 Transformer:GPT-3、Codex
- 视觉应用
- 强化学习中的 Transformer 与通用计算引擎
- 扩展 transformers
- 使用 transformer 实现可解释性
- ...
🔗课程链接
了解不同的 NLP 概念以及如何将语言模型和 Transformers 应用于 NLP:
- 什么是迁移学习?
- BPE 标记化
- 批处理输入
- 微调模型
- 文本嵌入和语义搜索
- 模型评估
- ...
🔗课程链接
了解基于深度学习的NLP的最新方法:
- 依赖关系解析
- 语言模型和 RNN
- 问答
- Transformer 和预训练
- 自然语言生成
- T5 和大型语言模型
- NLP 的未来
- ...
🔗课程链接
要了解最新的基于神经网络的 NLP 技术:
- 语言建模
- 效率技巧
- 条件生成
- 结构化预测
- 模型解释
- 高级搜索算法
- ...
🔗课程链接
要了解自然语言理解的最新概念:
- 扎实的语言理解
- 关系提取
- 自然语言推理 (NLI)
- NLU 和神经信息提取
- 对抗性测试
- ...
🔗课程链接
学习:
- 现代 NLP 技术基础
- 多任务、多领域、多语言学习
- 提示 + 序列到序列预训练
- 解释和调试 NLP 模型
- 从知识库中学习
- 对抗性学习
- ...
要了解进行多语言 NLP 的最新概念:
- 类型学
- 单词、词性和形态
- 高级文本分类
- 机器翻译
- 机器翻译的数据增强
- 低资源 ASR
- 主动学习
- ...
要学习 NLP 中的高级概念:
- 注意力机制
- 变压器
- BERT
- 问答
- 模型提炼
- 视觉+语言
- NLP 中的伦理
- 常识推理
- ...
🔗课程链接
斯坦福著名的 CS231n 课程。视频仅在 2017 年春季学期提供。该课程目前称为“计算机视觉深度学习”,但 2017 年春季版本名为“用于视觉识别的卷积神经网络”。
- 图像分类
- 损失函数与优化
- 神经网络简介
- 卷积神经网络
- 训练神经网络
- 深度学习软件
- CNN 架构
- 循环神经网络
- 检测和分割
- 可视化和理解
- 生成模型
- 深度强化学习
学习 CV 中的一些基本概念:
- CV 深度学习简介
- 图像分类
- 卷积网络
- 注意力网络
- 检测和分割
- 生成模型
🔗课程链接
学习计算机视觉的现代方法:
- CNN
- 高级 PyTorch
- 理解神经网络
- RNN、注意力和 ViT
- 生成模型
- GPU 基础知识
- 自我监督
- 神经渲染
- 高效的架构
🔗课程链接
学习计算机视觉的现代方法:
- 自监督学习
- 神经渲染
- 高效的架构
- 机器学习操作 (MLOps)
- 现代卷积神经网络
- 视觉中的变压器
- 模型部署
🔗课程链接
了解几何深度学习中的概念:
- 高维度学习
- 几何先验
- 网格
- 流形和网格
- 序列和时间扭曲
- ...
🔗课程链接
要了解深度强化学习的最新概念:
- RL 简介
- RL 算法
- 现实世界的顺序决策
- 行为监督学习
- 深度模仿学习
- 成本函数和奖励函数
- ...
🔗课程链接
深度学习讲座系列是 DeepMind 与伦敦大学学院人工智能中心的合作项目。
- 强化学习简介
- 动态规划
- 无模型算法
- 深度强化学习
- ...
🔗课程链接
学习使用该领域的最新工具和技术通过 LLM 构建现代软件。
🔗课程链接
你将了解:
- 仪器 Jupyter Notebook
- 管理超参数配置
- 日志运行指标
- 收集数据集和模型版本控制的工件
- 记录实验结果
- 追踪法学硕士 (LLM) 的提示和答案
- ...
🔗课程链接
了解如何使用大型语言模型 (LLM) 快速构建新的强大的应用程序。
🔗课程链接
你将了解:
- 模型、提示和解析器
- 法学硕士的回忆
- 链条
- 文档问答
- 代理
🔗课程链接
您将了解:
- 文档加载
- 文件分割
- 向量存储和嵌入
- 恢复
- 问答
- 聊天
🔗课程链接
了解如何使用链式调用大型语言模型来自动化复杂的工作流程。
🔗课程链接
了解如何在生产中使用 LangChain 和 Vector DB:
- 法学硕士和 LangChain
- 学习如何提示
- 使用索引保持知识井然有序
- 使用链将组件组合在一起
- ...
🔗课程链接
了解如何使用 LLM API 构建由 LLM 提供支持的应用程序
- 解析 LLM API
- 构建基础 LLM 应用程序
- 增强和优化 LLM 应用程序
- ...
🔗课程链接
要了解如何构建和部署 LLM 支持的应用程序:
- 学习拼写:提示工程
- 线性规划方法
- 语言用户界面的用户体验
- 增强语言模型
- 一小时内启动 LLM 应用程序
- 法学硕士基础课程
- 项目演练:askFSDL
- ...
🔗课程链接
要学习全栈生产深度学习:
- 机器学习项目
- 基础设施和工具
- 实验管理
- DNN 故障排除
- 数据管理
- 数据标签
- 监控 ML 模型
- Web 部署
- ...
🔗课程链接
涵盖深度学习的基本概念
- 单层神经网络和梯度下降
- 多层神经网络和反向传播
- 图像卷积神经网络
- 用于文本的循环神经网络
- 自动编码器、变分自动编码器和生成对抗网络
- 编码器-解码器循环神经网络和 transformer
- PyTorch 代码示例
涵盖自动驾驶汽车最主要的范式:基于模块化管道的方法以及基于深度学习的端到端驾驶技术。
- 基于摄像头、激光雷达和雷达的感知
- 定位、导航、路径规划
- 车辆建模/控制
- 深度学习
- 模仿学习
- 强化学习
🔗课程链接
设计自主决策系统是人工智能的长期目标之一。如果实现,这种决策系统将对机器人、游戏、控制、医疗保健等领域的机器学习产生重大影响。本课程介绍了强化学习作为设计此类自主决策系统的通用框架。
- 强化学习简介
- 多臂老虎机
- 策略梯度方法
- 语境匪徒
- 有限马尔可夫决策过程
- 动态规划
- 策略迭代、价值迭代
- 蒙特卡罗方法
- ...
由 Pieter Abbeel 主持的 6 场迷你讲座系列。
- MDP、精确解法、Max-ent RL
- 深度 Q 学习
- 策略梯度和优势估计
- TRPO 和 PPO
- DDPG 和 SAC
- 基于模型的强化学习
🔗课程链接
涵盖从强化学习的基本概念到更高级的概念:
- 马尔可夫决策过程和规划
- 无模型策略评估
- 无模型控制
- 函数逼近与深度强化学习
- 政策搜索
- 勘探
- ...
这是一门研究生课程,涵盖深度多任务和元学习的不同方面。
- 多任务学习、迁移学习基础
- 元学习算法
- 高级元学习主题
- 多任务 RL、目标条件 RL
- 元强化学习
- 分层强化学习
- 终身学习
- 未解决的问题
本课程介绍机器学习基础知识在基因组学和生命科学领域的更广泛应用。
- 解释机器学习模型
- DNA 可及性、启动子和增强子
- 染色质和基因调控
- 基因表达、剪接
- RNA 测序,剪接
- 单细胞RNA测序
- 降维、遗传学和变异
- 药物研发
- 蛋白质结构预测
- 蛋白质折叠
- 影像与癌症
- 神经科学
🔗课程链接
🔗资料链接
本课程由 Peter Abbeel 主讲,涵盖了强化学习的回顾以及在机器人技术中的持续应用。
- MDP:精确方法
- 连续状态空间 MDP 的离散化
- 函数逼近/基于特征的表示
- LQR,迭代 LQR/差分动态规划
- ...
如果您有任何疑问,请通过Twitter联系我们。
如果您有兴趣做出贡献,请随时打开 PR 并附上课程链接。这需要一点时间,但我计划利用这些单独的讲座做很多事情。我们可以总结讲座、添加笔记、提供额外的阅读材料、包括内容难度等。
您现在可以在这里找到 ML 课程笔记。