一所免费的机器学习大学

机器学习开源大学是由一位机器学习爱好者发起的，旨在为所有机器学习爱好者提供免费学习资源的创意。

本列表将持续更新——如果你是一名机器学习从业者，并且有改进此项目的建议或优质资源想要分享，请提交拉取请求并贡献你的力量。

目录

1. 入门
2. 数学
3. 机器学习
4. 深度学习
5. 自然语言处理
6. 强化学习
7. 大语言模型
8. 书籍
9. 生产环境中的机器学习
10. 量子机器学习
11. 数据集
12. 其他实用网站
13. 其他有用的代码库
14. 博客和网络研讨会
15. 必读研究论文
16. 公司技术博客
17. 实践机器学习

入门

标题与来源	链接
AI基础：第一部分	官网
AI基础：第二部分	官网
哈佛CS50人工智能导论	CS50官网
MIT计算思维与数据科学导论	官网
实用数据伦理	fast.ai
机器学习精通入门	machinelearningmastery
MIT算法设计与分析	ocw.mit.edu
斯坦福AI：原理与技术	YouTube
私人AI系列	openmined

数学

标题与来源	链接
机器学习中的统计学（Krish Naik）	YouTube
针对程序员的计算线性代数	fast.ai
MIT线性代数	官网
Zstatistics的统计学	官网
3Blue1Brown的线性代数精髓	YouTube
看见理论（概率可视化） 布朗大学	官网
MIT数据分析与机器学习中的矩阵方法	官网
机器学习数学	YouTube
MIT应用统计学	YouTube
数学思维导论	官网

机器学习

标题与来源	链接
使用 scikit-learn 的机器学习入门	dataschool
机器学习导论	sebastianraschka
开放式机器学习课程	mlcourse.ai
机器学习（CS229）斯坦福大学	官网 YouTube
机器学习导论 麻省理工学院	官网
2021 年机器学习系统设计（CS329S）斯坦福大学	官网
2020 年应用机器学习（CS5787）康奈尔理工学院	YouTube
面向医疗保健的机器学习 麻省理工学院	官网
面向交易的机器学习 佐治亚理工学院	官网
针对程序员的机器学习导论	fast.ai
机器学习速成课程	Google AI
使用 Python 的机器学习	freecodecamp
深度强化学习：CS285 加州大学伯克利分校	YouTube
概率机器学习 蒂宾根大学	YouTube
使用图的机器学习（CS224W）斯坦福大学	YouTube
生产环境中的机器学习 卡内基梅隆大学	官网
机器学习与深度学习基础	deeplizard
机器学习中的可解释性与透明性	官网
2021 年斯坦福大学实用机器学习	官网
机器学习 VU 大学	官网
面向网络安全的机器学习 普渡大学	YouTube
面向机器学习的音频信号处理	YouTube
机器学习与因果推断 斯坦福大学	YouTube
机器学习 cs156 加州理工学院	YouTube
多模态机器学习（MMML）卡内基梅隆大学	官网 YouTube
加州理工学院高级机器学习专题	官网

深度学习

标题与来源	链接
深度学习导论(6.S191) MIT	YouTube
深度学习导论	sebastianraschka
深度学习 NYU	Website 2021
深度学习 (CS182) UC Berkeley	YouTube
深度学习讲座系列 DeepMind x UCL	YouTube
深度学习 (CS230) Stanford	Website
用于视觉识别的卷积神经网络(CS231n) Stanford	Website-2020 YouTube-2017
全栈深度学习	Website2021
针对编码者的实用深度学习，v3	fast.ai
2021年深度学习速成课 d2l.ai	YouTube
密歇根大学计算机视觉领域的深度学习	Website
Sentdex用Python从头开始构建神经网络	YouTube
Keras - Python深度学习神经网络API	deeplizard
可复现的深度学习	sscardapane.it
PyTorch基础	microsoft
几何深度学习 (GDL100)	geometricdeeplearning
Neuromatch学院的深度学习	neuromatch
面向分子和材料的深度学习	Website
视觉领域的深度学习课程	arthurdouillard.com
斯坦福大学多任务与元学习深度学习 (CS330)	Website YouTube
深度学习面试题集	Website
2021年计算机视觉领域的深度学习	YouTube
2022年CMU深度学习	YouTube
UvA深度学习	Website

自然语言处理

标题与来源	链接
AWS自然语言处理	YouTube
NLP - Krish Naik	YouTube
2019年斯坦福大学深度学习NLP(CS224N)	YouTube 2021
以代码为导向的自然语言处理入门	fast.ai
卡内基梅隆大学2021年NLP神经网络 卡内基梅隆大学	YouTube
斯坦福大学语音与语言处理	Website
斯坦福大学自然语言理解 (CS224U)	YouTube 2022
2012年斯坦福大学Dan Jurafsky和Chris Manning的NLP	YouTube
spaCy自然语言处理入门	YouTube
spaCy高级自然语言处理	website
应用语言技术	website
马萨诸塞大学先进自然语言处理	website YouTube 2020
Huggingface课程	huggingface.co
密歇根大学NLP课程	github
CMU 2020年多语言NLP	YouTube
CMU 2021年高级NLP	YouTube
斯坦福大学“Transformer联合”	Website YouTube
CS324大型语言模型	Website

强化学习

标题与来源	链接
强化学习（CS234） 斯坦福大学	YouTube-2019
强化学习导论 DeepMind	YouTube-2015
强化学习课程 DeepMind & UCL	YouTube-2018
高级深度学习与强化学习	YouTube
DeepMind x UCL 强化学习 2021	YouTube

大型语言模型

标题与来源	链接
大型语言模型系统	网站
CS336：从零开始的语言建模	网站 YouTube
CME 295：Transformer与大型语言模型	网站
由从业者主导的LLM开放课程	网站

书籍

标题与来源	链接
科学Python讲义	ScipyLectures
机器学习数学	mml-book
统计学习导论	statlearning
思考统计	Think Stats
Python数据科学手册	Python For DS
使用Python进行自然语言处理 - NLTK	NLTK
伊恩·古德费洛的深度学习	deeplearningbook
深入深度学习	d2l.ai
解决（几乎）任何机器学习问题	AAANLP
神经网络与深度学习	neuralnetworksanddeeplearning
AutoML：方法、系统、挑战（第一本关于AutoML的书）	automl
特征工程与选择	bookdown.org
机器学习面试入门书	huyenchip.com
使用R动手实践机器学习	网站
从零开始掌握TensorFlow深度学习书	dev.mrdbourke.com/
数据科学概率论导论	probability4datascience
图表示学习书籍	cs.mcgill.ca
可解释的机器学习	christophm
计算机视觉：算法与应用，第2版	szeliski.org

生产环境中的机器学习

标题与来源	链接
Docker简介	Docker
MLOps基础	GitHub
有效的MLOps：模型开发	wandb

量子机器学习

标题与来源	链接
量子机器学习	pennylane.ai

数据集

标题与来源	链接
Yelp开放数据集	yelp
机器翻译	网站
IndicNLP语料库（印度语言）	ai4bharat
Amazon产品共同购买网络元数据	snap.stanford.edu/
斯坦福问答数据集（SQuAD）	网站

其他实用网站

1. Papers with Code
2. 两分钟论文 - YouTube
3. 你计算机科学教育中缺失的一学期
4. Workera：衡量数据-AI技能
5. 机器学习精通
6. 从数据到可视化：你的图表指南
7. datatalks俱乐部
8. 艺术中的机器学习
9. applyingml
10. 深度学习细雨
11. 机器与深度学习汇编
12. connectedpapers - 研究论文
13. 论文和最新研究 - deepai
14. 跟踪NLP进展
15. 塞巴斯蒂安·鲁德尔的NLP博客
16. labmlai用于论文

其他有用的 Git 仓库

1. Applied-ml - 各组织的论文与博客
2. 机器学习 Python 库列表
3. ML From Scratch - 模型/算法实现
4. What the f*ck Python?
5. scikit-learn 用户指南：循序渐进的方法
6. 带有深度学习的 NLP 教程代码
7. awesome-mlops
8. 文本分类算法：综述
9. 公司提供的机器学习用例

博客与网络研讨会

1. 推荐算法与系统设计
2. 机器学习系统设计

必读的研究论文与网络书籍

NLP [文本]

1. 文本分类算法：综述
2. 基于深度学习的文本分类：全面综述
3. 文本深度学习模型压缩：综述
4. 文本分类综述：从浅层到深度学习
5. Transformer 综述
6. AMMUS：自然语言处理中基于 Transformer 的预训练模型综述
7. 用于自然语言处理的图神经网络：综述
8. NLP 数据增强方法综述
9. 低资源场景下自然语言处理最新方法综述
10. 文本生成评估：综述
11. NLP 中迁移学习综述
12. NLP 中提示方法的系统性综述

OCR [光学字符识别]

1. OCR 后处理方法综述

LLM（大型语言模型）

1. 大型语言模型的基础
2. 大型语言模型的生物学：Anthropic
3. 视觉-语言模型
4. LLM 推理手册
5. vLLM 内部：LLM 推理系统
6. MCP：模型上下文协议
7. 上下文学习

技术博客

公司

1. AssemblyAI
2. Grammarly
3. Huggingface
4. Uber
5. Netflix
6. Spotify Research | Engineering
7. Unsloth Blog
8. Thinking Machines

研究者与工程师

0. TRANSFORMER EXPLAINER
1. lilianweng
2. Interconnects
3. Sebastian Raschka 的 Ahead of AI 杂志
4. AI by Hand
5. Lil'BLog

机器学习实践

1. deep-ml
2. tensortonic
3. tensorgym
4. leetgpu

ML-University 快速上手指南

注意：ML-University 并非一个需要安装的软件库或框架，而是一个开源的机器学习学习资源索引仓库。它汇集了全球顶尖高校（如斯坦福、MIT、哈佛等）和机构的免费课程、书籍、论文及数据集链接。

本指南将指导你如何获取该资源列表，并高效地利用其中的内容开始学习。

1. 环境准备

由于本项目本质上是文档和资源链接集合，无需特殊的计算资源或深度学习环境即可浏览。但为了实践资源中的代码示例，建议准备以下基础环境：

• 操作系统：Windows, macOS 或 Linux 均可。
• 浏览器：推荐 Chrome 或 Edge，用于访问课程网站和视频。
• 编程环境（可选，用于实战）：
  • Python 3.8+
  • 包管理工具：pip 或 conda
  • 常用库：numpy, pandas, scikit-learn, pytorch 或 tensorflow（具体取决于你选择的课程）。
• Git：用于克隆本仓库到本地以便离线查阅目录。

2. 安装步骤（获取资源列表）

你可以通过以下两种方式获取 ML-University 的资源列表：

方式一：在线浏览（推荐）

直接访问 GitHub 仓库页面，利用目录导航查找所需领域的资源：

https://github.com/d0r1h/ML-University

方式二：克隆到本地

如果你希望离线保存或在本地整理学习计划，可以使用 Git 克隆：

git clone https://github.com/d0r1h/ML-University.git
cd ML-University

注：国内用户若遇到克隆速度慢的问题，可使用国内镜像源（如 Gitee 镜像，若有）或配置 Git 代理加速。

3. 基本使用

ML-University 的核心用法是根据你的学习阶段和技术兴趣，在 README.md 文件中找到对应的章节并点击链接跳转学习。

步骤 1：确定学习路径

打开克隆后的 README.md 文件或在线查看目录，主要包含以下核心板块：

• Getting Started: 适合零基础入门（推荐 Elements of AI 或 CS50's Introduction to AI）。
• Mathematics: 补充数学基础（线性代数、统计学）。
• Machine Learning: 经典机器学习算法（推荐 Stanford CS229 或 Andrew Ng 课程）。
• Deep Learning: 深度学习进阶（推荐 MIT 6.S191 或 Stanford CS231n）。
• Natural Language Processing (NLP): 自然语言处理专项。
• LLM: 大语言模型最新资源。
• Practice Machine Learning: 实战练习平台。

步骤 2：选择课程并开始

假设你想从零开始学习机器学习基础：

1. 定位到 Getting Started 章节。
2. 点击 Elements of AI : Part-1 链接。
3. 跳转至官方网站 https://course.elementsofai.com/ 进行注册和学习。

假设你想深入深度学习并配合代码实战：

1. 定位到 Deep Learning 章节。
2. 选择 Practical Deep Learning for Coders, v3 (fast.ai)。
3. 点击链接进入 https://course19.fast.ai/index.html。
4. 按照该课程指引，在本地终端安装依赖并运行代码（通常涉及如下命令，具体以课程要求为准）：

# 示例：安装 fastbook 相关依赖（参考 fast.ai 课程）
pip install fastbook

步骤 3：贡献与更新

该列表持续更新。如果你发现了优质的新资源，可以通过 GitHub 提交 Pull Request (PR) 来丰富这个知识库：

# 创建新分支进行修改
git checkout -b add-new-resource
# 编辑 README.md 添加资源链接
# 提交并推送
git commit -m "Add new resource: [Resource Name]"
git push origin add-new-resource

通过上述步骤，你可以将 ML-University 作为你的个人机器学习“大学”课表，系统地规划从数学基础到前沿大模型的学习路线。