AI免费公开课一网打尽！14个类别、230门课程，GitHub标星6k+

Read enough so you start developing intuitions and trust intuitions and go for it!

通过大量阅读来培养直觉，相信自己的直觉并大胆实践！

—— Geoffrey Hinton

本文经AI新媒体量子位（公众号ID:QbitAI）授权转载，转载请联系出处。

要说这两年最火的机器学习课程，当属吴恩达的Machine Learning。

这原本是吴恩达在斯坦福大学开授的课程，课程视频在网络上受到了学习者的广泛好评，后来还推出了专门的网课。

现在越来越多的人选择通过观看视频课程的方式来学习知识，一方面有了教师的引导会让艰涩的内容更容易理解，另一方面平时通勤、等待时的细碎时间也可以得到充分利用。

深度学习如此火热的今天，也有不少人通过课程视频来学习各个领域的知识。

虽然已经有不少世界知名大学放出了学校授课的录像或讲座的视频，来造福全球对深度学习感兴趣的学习者们。

但去哪学，也成了摆在大家面前的难题。

今天要介绍的这个Github仓库 Deep Learning Drizzle就是一个深度学习相关课程/讲座视频的大合集，其中不乏学界知名大牛的亲授课程。

目前该项目已经在Github收获了6000+星，Fork数也超过1.4K。

仓库维护者整理了14个类目共计232门视频课程，并且这个数字还在不断增加。其中包括：

• Deep Neural Networks（深度神经网络），43门
• Machine Learning Fundamentals（机器学习基础），12门
• Optimization for Machine Learning（机器学习优化方法），12门
• General Machine Learning（通用机器学习），39门
• Reinforcement Learning（强化学习），14门
• Bayesian Deep Learning（贝叶斯深度学习），5门
• Graph Neural Networks（图神经网络），9门
• Probabilistic Graphical Models（概率图模型），5门
• Natural Language Processing（自然语言处理），10门
• Automatic Speech Recognition（语音识别），5门
• Modern Computer Vision（现代计算机视觉），25门
• Boot Camps or Summer Schools（夏令营与暑期学校讲座），44门
• Medical Imaging（医学影像），5门
• Bird’s-eye view of Artificial Intelligence（人工智能概览），4门

下面我们简单介绍一下每类课程覆盖的内容，并推荐其中颇负盛名的好课。

Deep Neural Networks 深度神经网络

主要涉及神经网络的工作原理及基本的应用。

课程推荐

1、Neural Networks for Machine Learning

Geoffrey Hinton，University of Toronto，2012/2014

看到Hinton这个名字任何人都难免会虎躯一颤——深度学习奠基人之一，2019年图灵奖获得者。

2、CS231n: CNNs for Visual Recognition

Justin Johnson，Stanford University，2015-2017

同样是这两年网络上的爆款课程，华人学者李飞飞的团队出品。每年的课程内容都会根据最新的研究成果更新，是计算机视觉很好的入门课程。

3.CS320: Deep Learning

Andrew Ng，Stanford University，2018

华人学者吴恩达亲自讲授的深度学习课程，内容全面的深度学习宝典，现在已经有了专门的在线课。

Machine Learning Fundamentals 机器学习基础

要想深入理解机器学习原理，数学知识必不可少。本类目包括了线性代数、概率与统计、微积分、信息论等基础数学课程。

课程推荐：

Linear Algebra

Gilbert Strang，MIT

Optimization for Machine Learning 机器学习优化方法

优化方法是机器学习算法的灵魂，本类目以优化为主题，包含了凸优化课程和针对机器学习的优化理论课程。

课程推荐

1、Convex Optimization

Stephen Boyd, Stanford University

Stephen Boyd编写的《凸优化》是中国许多高校的凸优化课程教材，现在有机会听到作者本人授课了！

2、Optimization

Geoff Gordon & Ryan Tibshirani, CMU

3、Convex Optimization

Ryan Tibshirani, CMU

4、Algorithmic Aspects of Machine Learning / Advanced Algorithms

Ankur Moitra, MIT

General Machine Learning 通用机器学习

本类目主要讲授机器学习理论、统计机器学习方法等内容。

课程推荐

CS229: Machine Learning

Andrew Ng, Stanford University

吴恩达主讲的机器学习课程，深入讲解了各种常用的统计机器学习模型，可谓经典中的经典。

Reinforcement Learning 强化学习

本类目主要介绍强化学习基础及进阶技术。大家熟知的阿法狗（AlphaGo）和各种游戏AI都是强化学习的产物。

课程推荐

1、Introduction to Reinforcement Learning

David Silver, DeepMind

△AlphaGo与李世石的人机大战

Deepmind公司可谓在强化学习领域苦心耕耘多年，AlphaGo、AlphaZero、德州扑克AI、星际争霸AI等都出自他们之手。快来看看Deepmind研究员David Silver如何阐释强化学习。

2、Deep Reinforcement Learning

Sergey Levine, UC Berkeley

3、CS234: Reinforcement Learning

Emma Brunskill, Stanford University

Bayesian Deep Learning 贝叶斯深度学习

主要讲授基于贝叶斯网络的深度学习方法。

课程推荐

Deep Learning and Bayesian Methods

Lots of Legends, HSE Moscow

Graph Neural Networks 图神经网络

近几年对于图神经网络的研究越来越多，图神经网络可以有效地处理想社交网络这样的图数据，是一个热门的研究方向。

此部分还包含了基于三维几何的深度学习内容，3D视觉同样是近几年开始被广泛研究的课题。

由于这些方向兴起时间不长，所以基本以workshop和讲座为主。

Probabilistic Graphical Models 概率图模型

概率图模型在研究中有着广泛的应用，如知名的隐马尔科夫模型（HMM）、条件随机场（CRF）等都属于概率图模型。同时概率图模型也是图神经网络的基础。

推荐课程

Probabilistic Graphical Models

Eric Xing, CMU

华人教授邢波主讲的课程，邢波教授本人专攻机器学习、计算生物学等方向。

Natural Language Processing 自然语言处理

本部分主要介绍计算语言学以及基于深度学习的自然语言处理（NLP）。

推荐课程

1、Neural Networks for Natural Language Processing

Graham Neubig, CMU

2、Natural Language Processing with Deep Learning

Abigail See, Chris Manning, Richard Socher, Stanford University

Automatic Speech Recognition 语音识别

主要讲授如何应用深度学习技术进行语音识别。

Modern Computer Vision 现代计算机视觉

所谓现代计算机视觉，其实包括了传统方法和基于深度学习的方法两部分。

这类课程中有对数字图像处理、计算机视觉领域传统方法的讲解，也有深度学习在摄影、视频处理、机器人等方面的研究。

推荐课程

1、Convolutional Neural Networks

Andrew Ng, Stanford University

2、CS205A: Mathematical Methods for Robotics, Vision and Graphics

Justin Solomon, Stanford University

Boot Camps or Summer Schools 夏令营与暑期学校

这部分主要是知名大学夏令营、暑期学校中的专题讲座，内容通常比较前沿，值得一看。

Medical Imaging 医学影像

主要讲授如何运用机器学习方法进行医学影像分析，主要是暑期学校课程。

Bird’s-eye view of Artificial Intelligence 人工智能概览

这部分主要是大牛的讲座和讲话，探讨了人工智能发展方向，以及人工智能与认知、情感、道德、伦理、社会等方面的关系，是人工智能在技术之上更高层次的探究，可以帮助你对人工智能有更深的理解。

最后，附上项目传送门：

https://github.com/kmario23/deep-learning-drizzle