本文介绍了10门相关课程，涵盖了机器学习入门、深度学习和自然语言处理等，希望对你的学习有所帮助。
图片来源：pexels
本系列课程的提供者有：Delta Analytics、作家兼培训师Aurélien Geron、威斯康星大学麦迪逊分校、AI研究员Goku Mohandas、滑铁卢大学、新加坡国立大学和英属哥伦比亚大学等。
来源： Deep Unsupervised Learning Spring(加州大学伯克利分校)
1. 机器学习的基础
传送门：http://www.deltanalytics.org/curriculum.html (Delta Analytics)
本课讲解的是一些基本的建模理论，是成为一名合格的程序员所必备的知识。每个版块的课程都侧重于实用示例，旨在向读者介绍实践技巧以及用于模型数据的强大算法(其实非常简单)。
2. 使用TensorFlow 2和Keras进行深度学习
传送门：https://github.com/ageron/tf2_course (Aurélien Geron)
在这个课程里，包含用TensorFlow 2和Keras进行深度学习的训练。而习题与详解由Jupyter Notebooks呈现。
警告：TensorFlow 2.0预览版会有bug，可能与最终的2.0版本不完全相同。但愿这段代码在TF 2出来后可以正常运行。
3. 深度学习
传送门：http：//pages.stat.wisc.edu/~sraschka/teaching/stat479-ss2019/(威斯康星大学麦迪逊分校)
本课程的重点是理解人工神经网络和深度学习算法(在基本层面讨论这些方法背后的数学原理)，并用代码实现网络模型，以及将这些模型应用于实际数据集。所涉及的主题包括——用于图像分类和目标检测的卷积神经网络、用于建模文本的循环神经网络、以及用于生成新数据的生成对抗网络。
4. 实用AI
传送门：https://github.com/GokuMohandas/practicalAI (Goku Mohandas)
该课会讲解学习和使用机器学习的实用技巧，帮助程序员能够利用机器学习从数据中获取有价值的信息。
- 使用PyTorch实现基本的ML算法和深度神经网络。
- 在浏览器上运行所有东西，不需要进行任何Google Colab设置。
- 学习面向对象的能为产品编码的ML实用教程，而不仅仅是学习书面教程。
5. 深度无监督学习
传送门：https://sites.google.com/view/berkeley-cs294-158-sp19/home (加州大学伯克利分校)
本课程涉及了两个不需要标记数据的深度学习领域：深度生成模型和自我监督学习。生成模型领域的最新进展有助于对高维原始数据(如自然图像、音频波形和文本语料库)进行逼真的建模。自我监督学习的发展缩小了监督表征学习与无监督表征学习在微调不可见任务方面的差距。本课程将介绍这些主题的理论基础以及最新启用的应用程序。
6. 深度学习简介
传送门：http://courses.d2l.ai/berkeley-stat-157/index.html (加州大学伯克利分校)
本课程介绍了深度学习的实际应用，包括理论动机以及实际操作方法。另外，还介绍了多层感知器、反向传播、自动微分和随机梯度下降。此外，本课程用卷积网络来处理图像，从简单的LeNet到最新的ResNet高精度模型体系结构。其次，文中还讨论了序列模型和循环网络，如LSTMs，GRU和注意机制。本课程强调高效实践、优化和可扩展性，例如扩展到多个GPU和多台机器。本课程的目标是使学员获得现代非参数估计所需的理解力和实践能力。
7. 强化学习
传送门：https://cs.uwaterloo.ca/~ppoupart/teaching/cs885-spring18/goals.html(滑铁卢大学)
本课程向学员们讲解如何设计算法，使机器能进行强化学习。监督学习状态下，机器从含有正确决策的示例中学习;非监督学习状态下，机器从数据中发现模式来学习。而在强化学习状态下，机器从部分、隐式和延迟反馈中学习，顺序决策任务需要机器反复与环境或用户交互，强化学习对执行这一任务起到很大帮助。强化学习的应用包括机器人控制、自动驾驶汽车、游戏、会话代理、辅助技术、计算金融、运筹学等。
8. 深度学习在自然语言处理中的应用
传送门：https://www.comp.nus.edu.sg/~kanmy/courses/6101_1810/ (新加坡国立大学)
本课程参考于CS 224N《自然语言处理中的深度学习》——斯坦福大学的Richard Socher教授的课程。经Socher教授许可，本课照搬了他的课程模式和文献选择。
9. 自然语言处理的应用
传送门：http://people.ischool.berkeley.edu/~dbamman/info256.html (加州大学伯克利分校)
本课程探讨了将自然语言处理作为探索和推理数据化文本的方法，尤其侧重于NLP的应用方面——创新使用Python中现有的NLP方法和库，而不是探索其核心算法。
这是一门应用性课程，每个课程都包括简短讲解环节和用Jupyter Notebooks当堂实验环节(大约各占50%)。学员将在课堂上进行大量编程，并与其他学员和教师进行小组合作。学员必须为每节课做好准备，并在课前提交准备材料，考勤有硬性要求。
10. 机器学习讲座
传送门：https://www.cs.ubc.ca/~schmidtm/Courses/LecturesOnML/ (英属哥伦比亚大学)
这门课程资料是UBC大学一位教授整理的关于机器学习的资料合集，包括80多个讲座的材料，涉及了大量与机器学习相关的话题。各个主题中的符号相当一致，这使得其关联清晰可见，并且各主题按难度排序(难度递增，并且所有概念都有明确定义)。
