大家好，我是花哥。
本文精心梳理了AI顶级大佬教授的人工智能课程，涵盖了深度学习、机器学习等多个领域的前沿内容。
这些课程将引领您深入了解决策树、朴素贝叶斯、逻辑回归、神经网络和深度学习等核心知识点，同时还将探索贝叶斯学习、支持向量机和核方法、聚类、无监督学习等多元化的机器学习领域。此外，还有学习提升算法、强化学习以及学习理论等高级课程，为人工智能领域的深入研究和应用打下坚实基础。
吴恩达——深度学习
吴恩达（Andrew Ng）的教学视频是深度学习领域备受推崇的学习资源之一。作为人工智能和机器学习领域的知名专家，吴恩达通过Coursera平台等渠道分享了他的丰富知识和实践经验。他以深入浅出的讲解、实践导向的教学方式以及注重培养综合素质的理念，赢得了广大学习者的赞誉和信赖。无论是初学者还是有一定基础的学习者，都能从中受益匪浅。
链接: https://pan.baidu.com/s/1RD0TyaGJwQ3aShD07AWjRg?pwd=8mpw
李宏毅——深度学习
李宏毅的深度学习课程是一份非常适合对机器学习和深度学习有兴趣的初学者的入门教程。通过系统全面的知识介绍、实践导向的教学方法和清晰易懂的讲解风格，它能够帮助学习者快速掌握深度学习的核心知识和实践技能。以下是对该课程的详细介绍：
系统性：课程系统全面地介绍了深度学习的基础知识，包括常用的深度学习算法、卷积神经网络（CNN）、循环神经网络（RNN）、激活函数、损失函数等关键知识点。这样的内容组织使得学习者可以从整体上把握深度学习的核心概念和原理。
实践性：李宏毅的深度学习课程非常注重实践应用。课程中提供了大量的代码示例和实战案例，通过实践来加深学习者对深度学习技术的理解和应用技能。这样的实践导向使得课程更加具有实用性和可操作性。
易于理解：李宏毅的讲解风格简洁明快，语言表达精准，容易让人理解。他能够用通俗易懂的方式解释复杂的深度学习概念和原理，使得初学者也能快速入门。
链接 https://pan.baidu.com/s/18efWkLATIUVxcwPlOBo2ag 提取码wpic
Yan Lecun——深度学习
Yann LeCun的深度学习课程是一门涵盖深度学习和表示学习最新技术的课程，重点包括监督和无监督的深度学习、嵌入方法、度量学习、卷积和循环网络，以及这些技术在计算机视觉、自然语言理解和语音识别中的应用。这是一门理论与实践相结合的高质量课程，适合有一定机器学习基础的学习者深入学习深度学习的最新技术和应用。注：提及的课程也可以在bilibili相关的翻译版哦。
课程地址：https://www.youtube.com/playlist?list=PLLHTzKZzVU9e6xUfG10TkTWApKSZCzuBI
笔记：https://pan.baidu.com/s/1FZNhtgOn1GupI3OS3pssxg?pwd=a6if
Geoffrey Hinton——神经网络与机器学习导论（csc321）
Geoffrey Hinton，通常被称为“深度学习之父”，是人工智能和计算机科学领域的一位重要人物。关于“神经网络与机器学习导论（csc321）”这门课程，它是为计算机科学和相关专业的学生提供的一个入门课程，旨在介绍神经网络和机器学习的基础概念和原理。这门课程通常由Hinton或他的同事亲自授课，内容涵盖了从基本的线性回归到复杂的深度学习模型等广泛的主题。
通过这门课程，学生可以掌握基本的理论和技能，并为进一步的研究和应用打下坚实的基础。
链接：http://www.cs.toronto.edu/~tijmen/csc321/
CMU——深度学习
该课程由苹果人工智能研究所主任Ruslan Salakhutdinov主导。课程首先讲解了一些例如前馈神经网络、反向传播、卷积模型等的基本知识。然后介绍深度学习中的要点，包括有向图和无向图模型，独立成分分析（ICA），稀疏编码，自动编码器，限制玻尔兹曼机（RBM），蒙特卡罗方法，深度信念网络，深度玻尔兹曼机和亥姆霍兹机。其他内容包括深度网络中的正则化和优化、序列建模和深度强化学习。
链接：http://www.cs.cmu.edu/~rsalakhu/10707/
斯坦福大学：深度学习理论（Stat385）
本课程讨论深度学习理论方面的知识。有8次特邀嘉宾讲座，这些嘉宾是深度学习、计算神经科学和统计学方面的领军人物。您将有机会在深度学习中，针对当前的研究趋势，探索他们观点的多样性和跨学科性。这门课有视频讲座。
链接：https://stats385.github.io/
Yoshua Bengio——深度学习
该课程由蒙特利尔大学主导。课程首先回顾了神经网络的基本知识，包括感知器，反向传播算法和梯度优化。然后介绍了神经网络、概率图形模型、深度网络和表示学习等前沿知识。
链接：https://ift6266h16.wordpress.com/
UC Berkeley——深度强化学习
该课程包括强化学习的基本知识：Q-学习和策略梯度，同时还包含了高级模型学习和预测、提取、奖励学习以及高级深度强化学习，例如信赖域策略梯度方法、actor-critic方法、探索方法。本门课有视频讲座。
链接：http://rll.berkeley.edu/deeprlcourse/
Yoshua Bengio——深度学习与强化学习
暑期学校是由Yoshua Bengio和他的同事们组织。课程包括了深度学习和强化学习两个方向，内容有两个领域的基本知识，研究趋势和最新发现。课程特别邀请这两个领域的主要学者和研究人员进行讲解。暑期学校有视频讲座。
链接：https://mila.quebec/en/cours/deep-learning-summer-school-2017/
Google & Udacity——深度学习
该课程由谷歌首席科学家Vincent Vanhoucke和Udacity的Arpan Chakraborty共同创立。课程内容包括深度学习、深层神经网络、卷积神经网络和针对文本和序列的深层模型。课程作业要求使用tensorflow。这门课有视频讲座。
链接：https://cn.udacity.com/course/deep-learning--ud730
斯坦福大学——基于深度学习的自然语言处理（CS224n）
该课程是2017年冬斯坦福大学 “cs224n：深度学习中的自然语言处理”课程的压缩版，也是斯坦福大学2018课程的延续版。课程讨论了如何将深度学习应用在自然语言处理中，自然语言处理中的问题以及在自然语言处理中使用深度学习的限制。讲师有Christopher Manning和Richard Socher。
链接：
https://www.youtube.com/playlist?list=PL3FW7Lu3i5Jsnh1rnUwq_TcylNr7EkRe6
牛津大学——自然语言处理中的深度学习
本课程涵盖深度学习的基本原理以及如何将其应用在自然语言处理中。用户将学习如何定义这个领域中的数学问题，以及获得使用CPU和GPU的实际编程的经验。讲师分别来自牛津大学、CMU、DeepMind和英伟达公司。这门课程包括视频讲座。
链接：https://github.com/oxford-cs-deepnlp-2017/lectures
李飞飞——视觉识别中的卷积神经网络（cs231n）
本课程将涵盖深度学习的基础知识，以及如何将深度学习技术应用于计算机视觉。学生将通过作业和最终项目获得如何训练和微调神经网络的实践经验。该课程主要使用Python语言。本课程包括视频讲座。
链接：http://cs231n.stanford.edu/
CMU——深度强化学习与控制
本课程由苹果人工智能研究所主任Ruslan salakhutdinovat和CMU的Katerina Fragkiadaki主导。内容包括深度学习，强化学习，马尔可夫链决策过程（MDP），部分可观马尔可夫链决策过程（POMDPs），时序差分学习，Q学习，深度学习，深刻Q学习的基础知识。前沿话题包括最优化控制、轨道优化、层次强化学习和迁移学习。
链接：https://katefvision.github.io/
CMU——深度学习入门
本课程由苹果公司人工智能研究所主任Ruslan Salakhutdinov主导，对深度学习做了一个快速而深入的介绍。课程共分为四个一小时时长的视频讲座，涵盖了监督学习，无监督学习，以及深度学习中的模型评估和开放式的研究问题等内容。
链接：https://simons.berkeley.edu/talks/tutorial-deep-learning
RLDM——深度强化学习入门
课程由DeepMind的David Silver主导，发表于第二届强化学习与决策多学科会议（RLDM）上。在这一个半小时的视频教程中，用户将了解深度学习，强化学习的基本原理，以及如何将深度学习和强化学习以各种方式结合：即深度价值函数，深度策略，和深度模型。此外，用户还能向顶级专家学习如何处理这些方法中的发散问题。
链接：http://videolectures.net/rldm2015_silver_reinforcement_learning/
UC Berkeley——深度强化学习入门
这是一个关于强化学习长达一小时的教程，配有视频讲座。用户将看到强化学习能有多厉害。
链接：https://simons.berkeley.edu/talks/pieter-abbeel-2017-3-28
MLSS——深度强化学习入门
课程由OpenAI公司的研究科学家John Schulman主导，包括4个1小时长的视频讲座，并带有针对实验室问题的练习。
2021 mlss :http://ai.ntu.edu.tw/mlss2021/
https://github.com/sshkhr/aweso
CMU——机器学习（csc411）
该课程由苹果公司人工智能研究所主任Ruslan Salakhutdinov主导。
链接：http://www.cs.toronto.edu/~rsalakhu/CSC411/
Yann LeCun——机器学习和模式识别
该课程由Facebook公司人工智能研究所主任Yann LeCun开设于纽约大学。
链接：https://cs.nyu.edu/~yann/2010f-G22-2565-001/index.html
加州理工大学——从数据中学习
该课程包括视频讲座。
链接：http://work.caltech.edu/telecourse.html
康奈尔大学——机器学习
该课程由Kilian Weinberger主导，另附有方便手机查看的课程笔记。
链接：https://courses.cis.cornell.edu/cs4780/2017sp/
Andrew Ng——机器学习
吴恩达2017年在斯坦福大学的最新课程，包括视频讲座。
链接：https://www.coursera.org/learn/machine-learning
Geoffrey Hinton——机器学习中的神经网络
该课程是Hinton2014年课程的新版本，包含视频讲座。
链接：https://www.coursera.org/learn/neural-networks
Neil Lawrence——机器学习与自适应智能
该课程出自英国谢菲尔德大学，由亚马逊机器学习总监Neil Lawrence主导。课程包括视频讲座。
链接：http://inverseprobability.com/mlai2015/
Roger Grosse——神经网络与机器学习简介（csc321）
该课程出自多伦多大学。
链接：http://www.cs.toronto.edu/~rgrosse/courses/csc321_2017/
剑桥大学——信息论、模式识别与神经网络
该课程由David J. C. MacKay主导，课程包括视频讲座。
链接：
http://videolectures.net/course_information_theory_pattern_recognition/
CMU——机器学习
Tom Mitchell 和 Maria-Florina Balcan. 卡内基·梅隆大学。2015年
这门课程包括视频讲座
链接：http://www.cs.cmu.edu/~ninamf/courses/601sp15/
佐治亚理工学院——机器学习
该课程由Michael Littman, Charles Isbell, 和Pushkar Kolhe主导，包含视频讲座。
链接：https://cn.udacity.com/course/machine-learning--ud262
布法罗大学——机器学习导论
该课程由Sargur Srihari主导。
链接：http://www.cedar.buffalo.edu/~srihari/CSE574/
Udacity——机器学习-纳米学位
参与该课程的讲师有Arpan Chakraborty，David Joyner，Luis Serrano，Sebastian Thrun，Vincent Vanhoucke和Katie Malone。
链接：https://cn.udacity.com/mlnd
CMU——教程：机器学习
该课程由卡耐基梅隆大学计算机学院院长Andrew Moore主导。
链接：http://www.cs.cmu.edu/~awm/tutorials.html