📺 Discover the latest machine learning / AI courses on YouTube.
📺 机器学习YouTube课程
在DAIR.AI，我们热爱开放的人工智能教育。在这个仓库中，我们整理并索引了一些最佳和最新的机器学习课程，这些课程可在YouTube上观看。
机器学习
- 加州理工学院CS156：从数据中学习
- 斯坦福大学CS229：机器学习
- 与机器学习交朋友
- 应用机器学习
- 图宾根大学的机器学习简介
- 机器学习讲座（斯特凡·哈梅林格）
- 图宾根大学的统计机器学习
- 概率机器学习
- 麻省理工学院6.S897：医疗保健中的机器学习（2019年）
深度学习
- 神经网络：从零到英雄
- 麻省理工学院：深度学习用于艺术、美学和创造力
- 斯坦福大学CS230：深度学习（2018年）
- 麻省理工学院的深度学习介绍
- 卡内基梅隆大学深度学习导论（11-785）
- 深度学习：CS 182
- 深度无监督学习
- 纽约大学SP21深度学习
- 基础模型
- 图宾根大学的深度学习
科学机器学习
实用机器学习
- 评估与调试生成AI
- 开发者的ChatGPT提示工程
- LangChain用于LLM应用开发
- 用LangChain与你的数据聊天
- 使用ChatGPT API构建系统
- LangChain与生产中的向量数据库
- 构建基于LLM的应用
- 全栈LLM训练营
- 全栈深度学习
- 程序员的实用深度学习
- 斯坦福MLSys研讨会
- 生产中的机器学习工程（MLOps）
- 麻省理工学院数据为中心的人工智能介绍
自然语言处理
- XCS224U：自然语言理解（2023）
- 斯坦福大学CS25 - Transformers联合
- Hugging Face的NLP课程
- CS224N：深度学习的自然语言处理
- CMU神经网络用于自然语言处理
- CS224U：自然语言理解
- CMU高级NLP 2021/2022
- 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
加州理工学院CS156：从数据中学习
一门介绍性机器学习课程，涵盖基本理论、算法和应用。
- 第1讲：学习问题
- 第2讲：学习是可行的吗？
- 第3讲：线性模型I
- 第4讲：误差与噪声
- 第5讲：训练与测试
- 第6讲：泛化的理论
- 第7讲：VC维
- 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
- 第16讲：径向基函数
- 第17讲：三个学习原则
- 第18讲：结语
🔗 课程链接
斯坦福大学CS229：机器学习
了解机器学习的一些基础知识：
- 线性回归与梯度下降
- 逻辑回归
- 贝叶斯朴素
- 支持向量机
- 内核
- 决策树
- 神经网络入门
- 调试ML模型 ...
🔗 课程链接
与机器学习交朋友
一系列迷你讲座，覆盖机器学习的各种入门主题：
- AI中的可解释性
- 分类与回归
- 准确性与召回率
- 统计显著性
- 聚类与K-means
- 集成模型 ...
🔗 课程链接
神经网络：从零到英雄（由Andrej Karpathy提供）
该课程深入介绍了神经网络。
- 反向传播
- 详述语言建模入门
- 激活函数与梯度
- 成为反向传播高手
🔗 课程链接
麻省理工学院：深度学习的艺术、美学与创造力
涵盖了深度学习在艺术、美学和创造性领域的应用。
- 怀旧->艺术->创造力->进化为数据+方向
- 高效GANs
- AI创造力探索
- 神经抽象
- 利用一致神经场轻松创建3D内容 ...
🔗 课程链接
斯坦福大学 CS230：深度学习（2018）
探讨深度学习的基础，构建各种神经网络（如卷积神经网络、循环神经网络、长短期记忆网络等），引领机器学习项目的方法，以及针对深度学习从业者的职业建议。
- 深度学习直觉
- 对抗性示例与生成对抗网络
- 深度学习项目的完整流程
- 人工智能与医疗保健
- 深度学习策略
- 神经网络可解释性
- 职业指导和阅读研究论文
- 深度强化学习
应用机器学习
掌握机器学习中广泛应用的技术：
- 最优化与微积分
- 过拟合与欠拟合
- 正则化
- 蒙特卡洛估计
- 最大似然学习
- 最近邻算法
- ...
🔗 课程链接
图宾根大学机器学习入门
提供机器学习基础介绍，涵盖回归、分类、优化、正则化、聚类和降维的关键概念。
- 线性回归
- 逻辑回归
- 正则化
- 增强学习
- 神经网络
- 主成分分析
- 聚类
- ...
🔗 课程链接
机器学习讲座（斯特凡·哈梅林）
涵盖许多基本的机器学习概念：
- 贝叶斯规则
- 从逻辑到概率
- 分布
- 矩阵微分计算
- 主成分分析
- K均值与期望最大化
- 因果关系
- 高斯过程
- ...
🔗 课程链接
统计机器学习（图宾根）
涵盖了统计机器学习的标准范式和算法：
- KNN
- 朴素贝叶斯决策理论
- 凸优化
- 线性和岭回归
- 逻辑回归
- 支持向量机
- 随机森林
- 增强学习
- 主成分分析
- 聚类
- ...
🔗 课程链接
实践编程者深度学习
涵盖如何构建和训练深度学习模型，用于计算机视觉、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
- 模型部署
- 使用PyTorch（增长最快的深度学习软件）及fastai和Hugging Face等流行库
- 扩散模型的基础和深入探究
- ...
斯坦福大学 MLSys 讲座系列
涵盖构建机器学习系统相关的各种主题的研讨会。
🔗 讲座链接
生产环境中的机器学习工程（MLOps）
由吴恩达教授提供的关于MLOps的专项课程。
🔗 讲座链接
麻省理工学院数据驱动人工智能导论
介绍数据驱动人工智能(DCAI)的新兴科学，它研究改进数据的技术，这通常是提高实际ML应用性能的最佳途径。包括：
- 数据驱动AI与模型驱动AI
- 标签错误
- 数据集创建与维护
- ML模型的数据中心评估
- 类不平衡、异常值和分布偏移
- ...
机器学习与图形（斯坦福）
学习最新的机器学习中图形技术：
- PageRank
- 矩阵分解
- 节点嵌入
- 图神经网络
- 知识图谱
- 图形的深度生成模型
- ...
🔗 课程链接
概率机器学习
了解机器学习的概率范式：
- 不确定性的推理
- 连续变量
- 抽样
- 马尔科夫链蒙特卡洛
- 高斯分布
- 图形模型
- 优化推断算法
- ...
🔗 课程链接
麻省理工学院 6.S897：医疗保健中的机器学习（2019）
介绍学生医疗保健中的机器学习，包括临床数据的性质和机器学习在风险分层、疾病进展建模、精准医学、诊断、亚型发现和改善临床工作流中的应用。
🔗 课程链接
深度学习导论
学习深度学习的基本原理：
- 深度学习导论
🔗 课程链接
卡内基梅隆大学深度学习入门（11-785）
从多层感知器开始，逐步讲解注意力机制和序列到序列模型的概念。
深度学习：CS 182
学习深度学习中广泛使用的技术：
- 机器学习基础
- 错误分析
- 优化
- 反向传播
- 初始化
- 批量归一化
- 风格迁移
- 模仿学习
- ...
🔗 课程链接
深度无监督学习
学习深度无监督学习中最先进和广泛使用的技巧：
- 自回归模型
- 流模型
- 隐变量模型
- 自我监督学习
- 显式模型
- 压缩
- ...
🔗 课程链接
纽约大学深度学习 SP21
学习深度学习中的高级技术：
- 神经网络：旋转和平滑
- 隐变量能量模型
- 无监督学习
- 生成对抗网络
- 自编码器
- ...
🔗 课程链接
基础模型
学习GPT-3、CLIP、Flamingo、Codex和DINO等基础模型。
🔗 课程链接
图宾根大学深度学习
介绍深度神经网络的实践和理论基础。
- 计算图
- 激活函数和损失函数
- 训练、正则化和数据增强
- 包括卷积网络和图神经网络在内的基本和最先进的深度神经网络架构
- 如自动编码器、变分自编码器和生成对抗网络等深度生成模型
- ...
🔗 课程链接
并行计算与科学机器学习
- 科学模拟器基础
- 并行计算入门
- 连续动力系统
- 反问题与可微编程
- 分布式并行计算
- 物理引导神经网络与神经微分方程
- 概率编程，亦即程序上的贝叶斯估计
- 全球化的模型理解
🔗 课程链接
XCS224U：自然语言理解（2023）
本课程涵盖以下主题：
- 上下文词表示
- 信息检索
- 在上下文中学习
- NLU模型的行为评估
- 自然语言处理方法和指标
- ...
🔗 课程链接
斯坦福CS25：Transformer统一课程
该课程深入讲解Transformer及其应用
- 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
- 放大Transformer
- 使用Transformer进行可解释性分析
- ...
🔗 课程链接
Hugging Face NLP课程
了解各种NLP概念以及如何应用语言模型和Transformer到NLP中：
- 什么是迁移学习？
- BPE分词
- 批量输入
- 模型微调
- 文本嵌入与语义搜索
- 模型评估
- ...
🔗 课程链接
CS224N：深度学习驱动的自然语言处理
学习基于深度学习的最新NLP方法：
- 靠谱解析
- 语言模型与循环神经网络
- 问答系统
- Transformer与预训练
- 自然语言生成
- T5与大型语言模型
- NLP的未来
- ...
🔗 课程链接
CMU神经网络与NLP
学习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
- 结构预测
- 模型解释
- 高级搜索算法
- ...
🔗 课程链接
CS224U：自然语言理解
掌握自然语言理解的最新理念：
- 基于现实的理解
- 关系抽取
- 自然语言推理（NLI）
- NLU与神经信息提取
- 对抗测试
- ...
🔗 课程链接
CMU高级NLP
学习：
- 现代NLP技术的基础知识
- 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
- 从知识库学习
- 对抗性学习
- ...
🔗 2021年版链接
🔗 2022年版链接
多语种NLP
学习多语种NLP的最新概念：
- 类型学
- 词汇、词性与形态学
- 高级文本分类
- 机器翻译
- MT数据增强
- 低资源语音识别
- 主动学习
- ...
高级NLP
学习NLP的高级概念：
- 注意力机制
- Transformer
- BERT
- 问答系统
- 模型蒸馏
- 视觉+语言
- NLP伦理
- 常识推理
- ...
🔗 课程链接
CS231N：卷积神经网络视觉识别
斯坦福大学著名的CS231n课程。仅提供2017春季学期的视频。目前该课程被称为计算机视觉的深度学习，但2017春季版本名为卷积神经网络用于视觉识别。
- 图像分类
- 损失函数与优化
- 神经网络介绍
- 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
- 检测与分割
- 可视化理解
- 生成模型
- 深度强化学习
计算机视觉深度学习
学习计算机视觉的一些基本概念：
- 深度学习在CV的应用简介
- 图像分类
- 卷积网络
- 注意力网络
- 检测与分割
- 生成模型
🔗 课程链接
计算机视觉深度学习（DL4CV）
学习现代计算机视觉方法：
- CNN
- 高级PyTorch
- 理解神经网络
- RNN、注意力和ViTs
- 生成模型
- GPU基础
- 自监督学习
- 神经渲染
- 高效架构
🔗 课程链接
计算机视觉深度学习（neuralearn.ai）
学习现代计算机视觉方法：
- 自监督学习
- 神经渲染
- 高效架构
- 机器学习操作（MLOps）
- 现代卷积神经网络
- 视觉中的Transformer
- 模型部署
🔗 课程链接
AMMI几何深度学习课程
学习几何深度学习的概念：
- 高维学习
- 几何先验
- 网格
- 曲面与网格
- 序列与时态校准
- ...
🔗 课程链接
深度强化学习
学习深度RL的最新概念：
- RL介绍
- RL算法
- 真实世界的序列决策制定
- 行为的监督学习
- 深度模仿学习
- 成本函数与奖励函数
- ...
🔗 课程链接
强化学习讲座系列（DeepMind）
由DeepMind和伦敦大学学院人工智能中心合作的深度学习讲座系列。
- RL简介
- 动态规划
- 无模型算法
- 深度强化学习
- ...
🔗 课程链接
评估与调试生成式AI
您将学习：
- 调试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的工件
- 记录实验结果
- 追踪LLMs的提示和响应
- ...
🔗 课程链接
开发者向ChatGPT提示工程
了解如何利用大型语言模型（LLM）快速构建新颖而强大的应用程序。
🔗 课程链接
使用LangChain开发LLM应用
您将学习：
- 模型、提示和解析器
- LLM的记忆机制
- 链结构
- 文档上的问答
- 代理
🔗 课程链接
利用LangChain与数据对话
您将了解：
- 文档加载
- 文档拆分
- 向量存储与嵌入
- 检索功能
- 问答系统
- 聊天交互
🔗 课程链接
借助ChatGPT API构建系统
学习如何使用大模型链式调用来自动化复杂的流程。
🔗 课程链接
生产环境中的LangChain和向量数据库
学习在生产环境中使用LangChain和向量数据库：
- LLM与LangChain
- 掌握提示技巧
- 使用索引组织知识
- 组件组合的链式应用
- ...
🔗 课程链接
构建LLM驱动的应用
学习如何使用LLM API构建应用程序：
- 解析LLM API
- 构建基础LLM应用
- 优化LLM应用
- ...
🔗 课程链接
全栈LLM训练营
学习构建和部署LLM驱动应用的全栈方法：
- 提示工程入门
- LLMOps
- 语言用户界面的用户体验
- 扩展的语言模型
- 一小时内发布LLM应用
- LLM基础知识
- 项目实战：askFSDL
- ...
🔗 课程链接
全栈深度学习
掌握全栈生产级深度学习：
- ML项目
- 基础设施与工具
- 实验管理
- 神经网络故障排查
- 数据管理
- 数据标注
- 监控ML模型
- 网络部署
- ...
🔗 课程链接
深度学习与深度生成模型入门
涵盖深度学习的基本概念：
- 单层神经网络及梯度下降
- 多层神经网络与反向传播
- 图像的卷积神经网络
- 文本的循环神经网络
- 自编码器、变分自编码器和生成对抗网络
- 编码器-解码器RNN和transformer
- PyTorch代码示例
自动驾驶汽车（图宾根）
涵盖自动驾驶的主要范式：模块化管道方法和基于深度学习的端到端驾驶技术。
- 基于相机、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
强化学习（蒙特利尔理工学院，2021年秋季）
设计自主决策系统是人工智能的一个长期目标。如果实现这种决策系统，将在机器人学习、游戏、控制、医疗等多个领域产生重大影响。这门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
- 政策梯度方法
- 上下文多臂老虎机
- 有限马尔科夫决策过程
- 动态规划
- 政策迭代、值迭代
- 蒙特卡洛方法
- ...
深度强化学习基础
Pieter Abbeel教授的六讲系列课程。
- 马尔科夫决策过程，精确求解方法，最大熵RL
- 深度Q学习
- 政策梯度与优势估计
- TRPO和PPO
- DDPG和SAC
- 基于模型的强化学习
🔗 课程链接
斯坦福大学CS234：强化学习
覆盖从强化学习的基础概念到更高级的主题：
- 马尔可夫决策过程与规划
- 无模型策略评估
- 无模型控制
- 带有函数近似和深度强化学习的强化学习
- 政策搜索
- 探索
- ...
斯坦福大学CS330：深度多任务与元学习
这是研究生级别的课程，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
- 先进的元学习主题
- 多任务强化学习，目标条件化的强化学习
- 元强化学习
- 分层强化学习
- 终身学习
- 开放问题
麻省理工学院深度学习在生命科学中的应用
一门介绍将机器学习应用于基因组学和更广泛的生命科学领域的基础课程。
- 解读机器学习模型
- DNA亲和性、启动子和增强子
- 染色质与基因调控
- 基因表达、剪接
- RNA测序、剪接
- 单细胞RNA测序
- 维度减少、遗传学和变异
- 药物发现
- 蛋白质结构预测
- 蛋白质折叠
- 成像与癌症
- 神经科学
🔗 课程链接
🔗 资料链接
先进机器人：加州大学伯克利分校
Peter Abbeel的课程，包括对强化学习的回顾，并继续探讨其在机器人学中的应用。
- MDP：精确方法
- 连续状态空间MDP的离散化
- 函数逼近/特征表示法
- 最优线性调节器，迭代LQR/差分动态规划
- ...
如有疑问，请在Twitter上联系。
如果您有兴趣贡献，请自由地打开PR并提供课程链接。这可能需要一些时间，但我计划对这些单独的讲座做一些事情，比如总结讲座、添加笔记、提供额外阅读材料、标明内容难度等。
现在可以在此处找到ML课程笔记。