ML YouTube Courses

在dair.ai，我们开设AI教育。在此存储库中，我们索引并组织了YouTube上一些最佳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
Stanford 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（Tübingen）
机器学习讲座（Stefan Harmeling）
统计机器学习（Tübingen）
概率机器学习
MIT 6.S897：医疗机器学习（2019年）

深度学习

神经网络：零对英雄
麻省理工学院：艺术，美学和创造力的深度学习
Stanford CS230：深度学习（2018年）
深度学习简介（MIT）
CMU深度学习简介（11-785）
深度学习：CS 182
深度无监督的学习
纽约大学深度学习SP21
基础模型
深度学习（Tübingen）

科学机器学习

并行计算和科学机器学习

实用的机器学习

LLMOPS：使用大语言模型构建现实世界应用
评估和调试生成型AI
chatgpt提示开发人员的工程
LLM申请开发的Langchain
Langchain：与您的数据聊天
使用Chatgpt API建造系统
生产中的Langchain＆Vector数据库
构建LLM驱动的应用程序
完整的堆栈LLM训练营
完整的堆栈深度学习
编码人员实用的深度学习
斯坦福大学MLSYS研讨会
生产机器学习工程（MLOP）
麻省理工学院以数据为中心的AI简介

自然语言处理

XCS224U：自然语言理解（2023）
Stanford CS25-变形金刚联合
NLP课程（拥抱脸）
CS224N：深度学习的自然语言处理
NLP的CMU神经网络
CS224U：自然语言理解
CMU Advanced NLP 2021/2022/2024
多语言NLP
高级NLP

计算机视觉

CS231N：视觉识别的卷积神经网络
计算机视觉的深度学习
对计算机视觉的深度学习（DL4CV）
对计算机视觉的深度学习（Neuraln.ai）

强化学习

深厚的增强学习
强化学习讲座系列（DeepMind）
强化学习（Polytechnique Montreal，2021年秋季）
深RL的基础
斯坦福大学CS234：加固学习

图机学习

图形的机器学习（斯坦福）
AMMI几何深度学习课程

多任务学习

多任务和元学习（斯坦福）

其他的

麻省理工学院的生命科学深度学习
自动驾驶汽车（Tübingen）
高级机器人（伯克利）

加州理工学院CS156：从数据中学习

涵盖基本理论，算法和应用的机器学习入门课程。

讲座1：学习问题
讲座2：学习可行吗？
讲座3：线性模型I
讲座4：错误和噪音
讲座5：培训与测试
讲座6：概括理论
讲座7：VC维度
第8讲：偏见变化权衡
讲座9：线性模型II
讲座10：神经网络
第11讲：过度拟合
讲座12：正则化
讲座13：验证
讲座14：支持向量机
讲座15：内核方法
讲座16：径向基础功能
讲座17：三个学习原则
讲座18：结语

?链接到课程

Stanford CS229：机器学习

学习ML的一些基础知识：

线性回归和梯度下降
逻辑回归
天真的贝叶斯
SVM
内核
决策树
神经网络简介
调试ML模型…

?链接到课程

与机器学习交朋友

一系列小型讲座涵盖了ML中的各种入门主题：

AI解释性
分类与回归
进餐与召回
统计意义
聚类和K-均值
合奏模型…

?链接到课程

神经网络：英雄零（由Andrej Karpathy）

课程提供了对神经网络的深入概述。

反向传播
语言建模的拼写介绍
激活和梯度
成为后卫忍者

?链接到课程

麻省理工学院：艺术，美学和创造力的深度学习

涵盖了深度学习对艺术，美学和创造力的应用。

怀旧 – > art->创造力 – >作为数据 +方向发展
有效的甘斯
AI中的创造力探索
神经抽象
简单的3D内容创建具有一致的神经领域…

?链接到课程

Stanford CS230：深度学习（2018年）

涵盖深度学习的基础，如何建立不同的神经网络（CNN，RNN，LSTMS等），如何领导机器学习项目以及为深度学习从业者提供职业建议。

深度学习直觉
对抗性例子 – 甘斯
深度学习项目的全周期
人工智能和医疗保健
深度学习策略
神经网络的解释性
职业建议和阅读研究论文
深厚的增强学习

?链接到课程?链接到材料

应用机器学习

在ML中学习一些最广泛使用的技术：

优化和演算
过度拟合和不足
正则化
蒙特卡洛估计
最大似然学习
最近的邻居
…

?链接到课程

机器学习简介（Tübingen）

该课程是机器学习的基本介绍，并涵盖了回归，分类，优化，正则化，聚类和降低维度的关键概念。

线性回归
逻辑回归
正则化
提升
神经网络
PCA
聚类
…

?链接到课程

机器学习讲座（Stefan Harmeling）

涵盖了许多基本的ML概念：

贝叶斯规则
从逻辑到概率
分布
基质差分计算
PCA
K-均值和EM
因果关系
高斯流程
…

?链接到课程

统计机器学习（Tübingen）

该课程涵盖了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
线性和山脊回归
逻辑回归
SVM
随机森林
提升
PCA
聚类
…

?链接到课程

编码人员实用的深度学习

本课程涵盖了如何：

构建和训练深度学习模型，用于计算机视觉，自然语言处理，表格分析和协作过滤问题
创建随机森林和回归模型
部署模型
使用Pytorch，世界上发展最快的深度学习软件，以及诸如Fastai和拥抱面孔的流行图书馆
基础和深入潜水模型
…

?链接到课程 – 第1部分

?链接到课程 – 第2部分

斯坦福大学MLSYS研讨会

关于与建筑机器学习系统有关的各种主题的研讨会系列。

?链接到讲座

生产机器学习工程（MLOP）

Andrew Ng的MLOPS专业课程。

?链接到讲座

麻省理工学院以数据为中心的AI简介

涵盖了以数据为中心AI（DCAI）的新兴科学，该科学研究了改善数据集的技术，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AI与以模型为中心的AI
标签错误
数据集创建和策划
ML模型以数据为中心的评估
班级失衡，离群值和分配变化
…

?课程网站

?演讲视频

?实验室分配

图形的机器学习（斯坦福）

要学习机器学习中一些最新的图形技术：

Pagerank
基质分解
节点嵌入
图神经网络
知识图
图形的深刻生成模型
…

?链接到课程

概率机器学习

学习ML的概率范式：

关于不确定性的推理
连续变量
采样
马尔可夫连锁蒙特卡洛
高斯分布
图形模型
调整推理算法
…

?链接到课程

MIT 6.S897：医疗机器学习（2019年）

本课程向学生介绍了医疗保健机器学习，包括临床数据的性质以及用于风险分层，疾病进展建模，精密医学，诊断，亚型发现以及改善临床工作流程的使用机器学习的性质。

?链接到课程

深度学习简介

学习深度学习的一些基础知识：

深度学习简介

?链接到课程

CMU深度学习简介（11-785）

该课程从MLP（多层感知）逐渐开始，然后发展为诸如注意力和顺序到序列模型之类的概念。

?链接到课程
?讲座
?教程/朗诵

深度学习：CS 182

学习深度学习中一些广泛使用的技术：

机器学习基础知识
错误分析
优化
反向传播
初始化
批量归一化
样式转移
模仿学习
…

?链接到课程

深度无监督的学习

在深度无监督的学习中学习最新，最广泛使用的技术：

自回归模型
流模型
潜在变量模型
自我监督的学习
隐性模型
压缩
…

?链接到课程

纽约大学深度学习SP21

要学习深度学习中的一些先进技术：

神经网：旋转和挤压
潜在可变基模型
无监督的学习
生成对抗网络
自动编码器
…

?链接到课程

基础模型

了解GPT-3，剪辑，火烈鸟，法典和Dino等基础模型。

?链接到课程

深度学习（Tübingen）

本课程介绍了深神经网络的实用和理论原理。

计算图
激活功能和损失功能
培训，正则化和数据扩展
基本和最先进的深度神经网络体系结构，包括卷积网络和图形神经网络
深厚的生成模型，例如自动编码器，变异自动编码器和生成对抗网络
…

?链接到课程

并行计算和科学机器学习

科学模拟器的基础知识
并行计算简介
连续动力学
反问题和可区分编程
分布式并行计算
物理信息神经网络和神经微分方程
概率编程，又名贝叶斯对程序的估计
全球化对模型的理解

?链接到课程

XCS224U：自然语言理解（2023）

本课程涵盖了：

上下文单词表示
信息检索
在文化学习中
NLU模型的行为评估
NLP方法和指标
…

?链接到课程

Stanford CS25-变形金刚联合

本课程由专注于变形金刚的讲座，提供深度潜水及其应用

变压器简介
语言中的变压器：GPT-3，法典
视觉应用
RL和通用计算引擎中的变压器
缩放变压器
具有变压器的解释性
…

?链接到课程

NLP课程（拥抱脸）

了解不同的NLP概念以及如何将语言模型和变压器应用于NLP：

什么是转移学习？
BPE令牌化
批处理输入
微调模型
文本嵌入和语义搜索
模型评估
…

?链接到课程

CS224N：深度学习的自然语言处理

了解基于深度学习的NLP的最新方法：

依赖解析
语言模型和RNN
问题回答
变压器和预训练
自然语言产生
T5和大型语言模型
NLP的未来
…

?链接到课程

NLP的CMU神经网络

了解NLP的最新基于神经网络的技术：

语言建模
效率技巧
有条件的一代
结构化预测
模型解释
高级搜索算法
…

?链接到课程

CS224U：自然语言理解

学习自然语言理解中的最新概念：

基础语言理解
关系提取
自然推论（NLI）
NLU和神经信息提取
对抗测试
…

?链接到课程

CMU高级NLP

学习：

现代NLP技术的基础知识
多任务，多域，多语言学习
提示 +序列到序列预训练
解释和调试NLP模型
从知识基础上学习
对抗性学习
…

?链接到2021版

?链接到2022版

?链接到2024年版

多语言NLP

要学习进行多语言NLP的最新概念：

类型学
言语，言语的一部分和形态学
高级文本分类
机器翻译
MT的数据增大
低资源ASR
积极学习
…

?链接到2020课程

?链接到2022课程

高级NLP

在NLP中学习高级概念：

注意机制
变压器
伯特
问题回答
型号蒸馏
视觉 +语言
NLP中的道德规范
常识推理
…

?链接到课程

CS231N：视觉识别的卷积神经网络

斯坦福大学著名的CS231N课程。视频仅适用于2017年春季学期。该课程目前被称为计算机视觉的深度学习，但2017年春季版本的标题为卷积神经网络，可视觉识别。

图像分类
损失功能和优化
神经网络简介
卷积神经网络
培训神经网络
深度学习软件
CNN体系结构
复发性神经网络
检测和细分
可视化和理解
生成模型
深厚的增强学习

?链接到课程?链接到材料

计算机视觉的深度学习

学习简历中的一些基本概念：

简历深度学习简介
图像分类
卷积网络
注意网络
检测和细分
生成模型

?链接到课程

对计算机视觉的深度学习（DL4CV）

学习计算机视觉的现代方法：

CNNS
高级Pytorch
了解神经网络
RNN，注意力和vits
生成模型
GPU基本面
自学
神经渲染
有效的体系结构

?链接到课程

对计算机视觉的深度学习（Neuraln.ai）

学习计算机视觉的现代方法：

自我监督的学习
神经渲染
有效的体系结构
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

?链接到课程

AMMI几何深度学习课程

了解几何深度学习中的概念：

高维度学习
几何先验
网格
歧管和网格
序列和时间翘曲
…

?链接到课程

深厚的增强学习

在深度RL中学习最新概念：

RL的简介
RL算法
真实的顺序决策
监督行为的学习
深层模仿学习
成本功能和奖励功能
…

?链接到课程

强化学习讲座系列（DeepMind）

深度学习讲座系列是DeepMind与UCL人工智能中心之间的合作。

RL简介
动态编程
无模型算法
深厚的增强学习
…

?链接到课程

LLMOPS：使用大语言模型构建现实世界应用

学习使用该领域中最新的工具和技术来使用LLM构建现代软件。

?链接到课程

评估和调试生成型AI

您将学习：

乐器jupyter笔记本
管理超参数配置
日志运行指标
收集用于数据集和模型版本的工件
对数实验结果
跟踪提示和响应LLMS
…

?链接到课程

chatgpt提示开发人员的工程

了解如何使用大型语言模型（LLM）快速构建新的和强大的应用程序。

?链接到课程

LLM申请开发的Langchain

您将学习：

模型，提示和解析器
LLMS的回忆
链
问题回答文件
代理商

?链接到课程

Langchain：与您的数据聊天

您将学习：

文档加载
文档分裂
向量存储和嵌入
检索
问题回答
聊天

?链接到课程

使用Chatgpt API建造系统

了解如何使用链条调用对大型语言模型自动化复杂的工作流程。

?链接到课程

生产中的Langchain＆Vector数据库

了解如何在生产中使用Langchain和Vector DBS：

LLMS和Langchain
学习如何提示
保持知识与索引
将组件与链条结合在一起
…

?链接到课程

构建LLM驱动的应用程序

了解如何使用LLM API构建LLM驱动的应用程序

解开LLM API
构建基线LLM应用程序
增强和优化LLM应用程序
…

?链接到课程

完整的堆栈LLM训练营

学习如何构建和部署LLM驱动的应用程序：

学会拼写：及时工程
llmops
语言用户界面的UX
增强语言模型
在一小时内启动LLM应用程序
LLM基础
项目演练：AskFSDL
…

?链接到课程

完整的堆栈深度学习

要学习全栈生产深度学习：

ML项目
基础架构和工具
实验管理
故障排除DNNS
数据管理
数据标签
监视ML模型
Web部署
…

?链接到课程

深度学习和深入生成模型的简介

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
图像的卷积神经网络
文本的复发神经网络
自动编码器，各种自动编码器和生成对抗网络
编码器复发性神经网络和变压器
Pytorch代码示例

?链接到课程?链接到材料

自动驾驶汽车（Tübingen）

涵盖了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。

相机，激光镜头和基于雷达的感知
本地化，导航，路径规划
车辆建模/控制
深度学习
模仿学习
强化学习

?链接到课程

强化学习（Polytechnique Montreal，2021年秋季）

设计自主决策系统是人工智能的长期目标之一。如果实现的话，这种决策系统可能会对机器人技术，游戏玩法，控制，医疗保健等人产生重大影响。本课程将增强学习作为设计这种自主决策系统的一般框架。

RL简介
多臂匪徒
政策梯度方法
上下文匪徒
有限马尔可夫决策过程
动态编程
政策迭代，价值迭代
蒙特卡洛方法
…

?链接到课程?链接到材料

深RL的基础

彼得·阿贝尔（Pieter Abbeel）的一个小型6个讲座系列。

MDP，精确的解决方案方法，最大RL
深度学习
政策梯度和优势估计
TRPO和PPO
DDPG和SAC
基于模型的RL

?链接到课程

斯坦福大学CS234：加固学习

涵盖了从强化学习到更高级学习的基本概念的主题：

马尔可夫决策过程和计划
无模型政策评估
无模型控制
通过功能近似和深度RL的强化学习
政策搜索
勘探
…

?链接到课程?链接到材料

Stanford CS330：深度任务和元学习

这是一个研究生级课程，涵盖了深度多任务和元学习的不同方面。

多任务学习，转移学习基础知识
元学习算法
高级元学习主题
多任务RL，目标调节的RL
元强化学习
分层RL
终身学习
开放问题

?链接到课程?链接到材料

麻省理工学院的生命科学深度学习

在基因组学和生命科学领域应用ML基础的课程更广泛。

解释ML模型
DNA可访问性，促进者和增强器
染色质和基因调节
基因表达，剪接
RNA-seq，剪接
单细胞RNA序列
降低降低，遗传学和变异
药物发现
蛋白质结构预测
蛋白质折叠
成像和癌症
神经科学

?链接到课程

?链接到材料

高级机器人技术：加州大学伯克利分校

这是彼得·阿贝尔（Peter Abbeel）的课程，并涵盖了有关增强学习的审查，并继续在机器人技术中应用。

MDP：精确方法
连续状态空间MDP的离散化
函数近似 /基于功能的表示
LQR，迭代LQR /差分动态编程
…

?链接到课程?链接到材料

如果您有任何疑问，请在Twitter上与您联系。

如果您有兴趣做出贡献，请随时开设具有指向该课程的链接的PR。这将需要一些时间，但是我计划在这些单独的讲座上做很多事情。我们可以总结讲座，包括注释，提供其他阅读材料，包括内容的难度等。

您现在可以在此处找到ML课程注释。