精彩的机器学习和人工智能课程

一个包含精心编排的精彩免费机器学习和人工智能课程列表，配有视频讲座。所有课程都是由这个星球上最优秀的AI研究人员和教师提供的高质量视频讲座。

除了视频讲座外，我还链接了课程网站，包括演讲笔记、额外的阅读材料和作业。

入门讲座

这些是开始机器学习和人工智能的绝佳课程。无需事先具备机器学习和人工智能的经验。你应该有一些线性代数、初级微积分和概率的知识。也建议有一些编程经验。

• 机器学习（斯坦福CS229） | 课程网站

  这门现代经典的机器学习课程是理解机器学习概念和技术的理想起点。课程涵盖了许多广泛使用的技术，讲稿详细回顾了必要的数学概念。

• 用于视觉识别的卷积神经网络（斯坦福CS231n） | 课程网站

  开始深度学习的好方法。这门课程专注于卷积神经网络和计算机视觉，同时也概述了循环网络和强化学习。

• 人工智能导论（加州大学伯克利分校CS188） | 课程网站

  涵盖了人工智能的整个领域。从搜索方法、游戏树和机器学习到贝叶斯网络和强化学习。

• 应用机器学习2020（哥伦比亚大学）

  斯坦福CS229的替代课程。如其名称所示，这门课程相比于Andrew Ng在斯坦福的机器学习讲座更注重应用视角。你会看到更多代码而不是数学。概念和算法使用的是流行的Python库scikit-learn和Keras。

• 强化学习导论（David Silver - DeepMind） | 课程网站

  由AlphaGo和AlphaZero的主要研究人员之一讲授的强化学习导论。

• 使用深度学习的自然语言处理（斯坦福CS224N） | 课程网站

  从循环神经网络和词嵌入到transformer和自注意力的现代自然语言处理技术。涵盖了应用主题如问答和文本生成。

• 深度学习 - 纽约大学 - 2020 | 课程网站

  本课程涉及深度学习和表示学习的最新技术，重点是监督和无监督深度学习、嵌入方法、度量学习、卷积和循环网络，应用于计算机视觉、自然语言理解和语音识别。

• 图机器学习（斯坦福CS224W） | 课程网站

  详细介绍了应用于图结构数据的机器学习技术。主题包括节点嵌入、图神经网络（GNNs）、异构图、知识图及其应用。课程还涵盖了高级主题如神经子图匹配、图transformer以及扩展GNN到大型图。

高级讲座

需要具备机器学习和人工智能预备知识的高级课程。

• 深度无监督学习（加州大学伯克利分校CS294） | 课程网站

• 深度学习前沿（西蒙斯研究所） | 课程网站

• 新深度学习技术 | 课程网站

• 深度学习的几何（微软研究院） | 课程网站

• 深度多任务与元学习（斯坦福CS330） | 课程网站

• 机器学习的数学夏季学校2019（华盛顿大学） | 课程网站

• 概率图模型（卡耐基梅隆大学） | 课程网站

• 概率和统计机器学习2020（图宾根大学）

• 统计机器学习2020（图宾根大学）

• 移动传感和机器人2019（波恩大学）

• 传感器和状态估计课程2020（波恩大学）

• 摄影测量2015（波恩大学）

• 高级深度学习与强化学习2020（DeepMind / UCL）

• 数据驱动的动态系统与机器学习

• 数据驱动的控制与机器学习

• 电子与计算机工程人工智能研讨会系列2020（纽约大学）

• 高级机器人课程2019秋季（加州大学伯克利分校CS287）

• CSEP 546 - 机器学习（2019秋季）（华盛顿大学）

• 深度强化学习、决策与控制（加州大学伯克利分校CS285）

• 斯坦福凸优化

• 斯坦福CS224U：自然语言理解 | 2019春季

• 全栈深度学习2019

• 深度学习中的新挑战

• Deep|Bayes 2019夏季学校

• 卡耐基梅隆大学自然语言处理中的神经网络2020

• 强化学习和控制的新方向（高级研究所）

• 深度学习理论研讨会：下一步（高级研究所）

• 深度学习：炼金术还是科学？（高级研究所）

• 理论机器学习讲座系列（高级研究所）

• 大数据与机器学习的数学（麻省理工学院）

• 数据中心AI导论（麻省理工学院） | 讲座视频 | 实验作业