超棒的机器学习与人工智能课程

精心挑选的一系列超赞、免费的机器学习和人工智能课程，均配有视频讲座。
所有课程均由全球顶尖的人工智能研究者和教师录制，质量极高。

除了视频讲座外，我还提供了课程官网链接，其中包含讲义、扩展阅读材料以及课后作业。

入门级课程

这些课程非常适合初学者入门机器学习和人工智能领域。
无需具备机器学习或人工智能的先验知识，但建议你掌握一些线性代数、微积分基础和概率论的知识。
此外，具备一定的编程经验也会有所帮助。

• 机器学习（斯坦福CS229） | 课程官网

  这门现代机器学习经典课程是理解机器学习核心概念与技术的绝佳起点。
  课程涵盖了大量广泛应用的技术，讲义内容详尽，并会回顾必要的数学基础知识。

• 用于视觉识别的卷积神经网络（斯坦福CS231n） | 课程官网

  深度学习入门的理想选择。本课程主要聚焦于卷积神经网络和计算机视觉，同时也简要介绍了循环神经网络和强化学习的基本概念。

• 人工智能导论（加州大学伯克利分校CS188） | 课程官网

  全面覆盖人工智能领域的各个方面，从搜索算法、博弈树、机器学习，到贝叶斯网络和强化学习等主题。

• 应用机器学习2020（哥伦比亚大学）

  斯坦福CS229的替代课程。顾名思义，该课程比吴恩达在斯坦福讲授的机器学习课程更注重实际应用。
  课程中代码示例较多，数学推导相对较少。课程将使用流行的Python库scikit-learn和Keras来讲解相关概念与算法。

• 戴维·西尔弗（DeepMind）主讲的强化学习入门 | 课程官网

  由AlphaGo和AlphaZero背后的顶尖研究人员之一主讲的强化学习入门课程。

• 结合深度学习的自然语言处理（斯坦福CS224N） | 课程官网

  现代NLP技术，涵盖循环神经网络、词嵌入、Transformer模型及自注意力机制等。
  同时还会涉及问答系统和文本生成等实际应用课题。

• 深度学习——纽约大学——2020年 | 课程官网

  本课程专注于深度学习和表示学习领域的最新技术，重点讲解有监督与无监督深度学习、嵌入方法、度量学习、卷积神经网络和循环神经网络等内容，并探讨其在计算机视觉、自然语言理解及语音识别等领域的应用。

• 图上的机器学习（斯坦福CS224W） | 课程官网

  对应用于图结构数据的机器学习技术进行全面概述。
  主要内容包括节点嵌入、图神经网络（GNN）、异构图、知识图谱及其应用场景。
  此外，课程还涉及神经子图匹配、图Transformer以及如何将GNN扩展到大规模图等高级主题。

高级课程

需要具备机器学习和人工智能先修知识的高级课程。

• 深度无监督学习（UC Berkeley CS294） | 课程官网

• 深度学习前沿（西蒙斯研究所） | 课程官网

• 深度学习新方法 | 课程官网

• 深度学习的几何视角（微软研究院） | 课程官网

• 深度多任务与元学习（斯坦福CS330）2022年秋季 | 课程官网

• 2019年机器学习数学暑期学校（华盛顿大学） | 课程官网

• 概率图模型（卡内基梅隆大学） | 课程官网

• 2020年概率与统计机器学习（蒂宾根大学）

• 2020年统计机器学习（蒂宾根大学）

• 2019年移动感知与机器人技术（波恩大学）

• 2020年传感器与状态估计课程（波恩大学）

• 2015年摄影测量学（波恩大学）

• 2020年深度学习与强化学习进阶课程（DeepMind / UCL）

• 基于数据驱动的机器学习动力系统

• 基于数据驱动的机器学习控制

• 2020年纽约大学ECE AI研讨会系列

• 2019年秋季UC Berkeley CS287高级机器人学课程

• 2019年秋季华盛顿大学CSEP 546——机器学习课程

• 深度强化学习、决策与控制（UC Berkeley CS285）

• 斯坦福凸优化课程

• 斯坦福CS224U：自然语言理解 | 2019年春季

• 2019年全栈深度学习课程

• 深度学习领域的新兴挑战

• 2019年夏季Deep|Bayes暑期学校

• 2020年卡内基梅隆大学面向自然语言处理的神经网络课程

• 强化学习与控制的新方向（高等研究院）

• 深度学习理论研讨会：下一步走向何方（高等研究院）

• 深度学习：炼金术还是科学？（高等研究院）

• 高等研究院理论机器学习讲座系列

• MIT大数据与机器学习数学课程

• 以数据为中心的人工智能导论（MIT） | 讲座视频 | 实验作业

• Transformer作为计算模型（UC Berkeley, 西蒙斯研究所）

awesome-ml-courses 快速上手指南

awesome-ml-courses 并非一个需要安装运行的软件库，而是一个精选的机器学习与人工智能免费课程清单。本指南将帮助你快速访问并利用这些由全球顶尖学者（如斯坦福、伯克利、DeepMind 等）提供的高质量视频讲座、讲义及作业资源。

环境准备

由于本资源主要为在线视频和文档链接，无需复杂的系统依赖，只需具备以下基础环境即可开始学习：

• 操作系统：Windows、macOS 或 Linux 均可。
• 网络环境：
  • 需要能够访问 YouTube（大部分视频托管于此）和 GitHub。
  • 国内用户建议：若无法直接访问 YouTube，建议使用学术加速工具、代理网络，或在 Bilibili 等国内平台搜索对应的课程名称（许多热门课程如 CS229、CS231n 已有官方或社区搬运的中文字幕版）。
• 前置知识：
  • 数学基础：线性代数、微积分入门、概率论。
  • 编程基础：推荐使用 Python，熟悉基本语法及数据结构。
• 推荐工具：
  • 浏览器（Chrome/Edge/Firefox）。
  • 代码编辑器（VS Code / PyCharm）用于完成课程中的编程作业。
  • Python 环境（建议安装 Anaconda 以便管理科学计算包）。

安装步骤

本项目无需执行传统的“安装”命令。你可以通过以下两种方式获取资源：

方式一：直接在线浏览（推荐）

直接点击 README 中的链接访问课程视频和网站。这是最快捷的方式。

方式二：克隆仓库到本地

如果你希望离线查看课程列表或在本地整理学习计划，可以将该仓库克隆到本地。

git clone https://github.com/kmario23/awesome-ml-courses.git
cd awesome-ml-courses

注：克隆后主要查看 README.md 文件中的链接列表。

基本使用

1. 选择适合你的课程

根据你当前的知识水平，在列表中选择合适的入门或进阶课程：

• 零基础入门：

  • 机器学习基础：Stanford CS229 (Andrew Ng 经典课程)
  • 深度学习/计算机视觉：Stanford CS231n
  • 人工智能导论：UC Berkeley CS188
  • 实战导向（代码多于数学）：Columbia Applied Machine Learning 2020 (使用 scikit-learn 和 Keras)

• 进阶专题：

  • 自然语言处理：Stanford CS224N (涵盖 Transformer 等最新技术)
  • 强化学习：DeepMind with David Silver
  • 图神经网络：Stanford CS224W

2. 开始学习流程

以 Stanford CS231n (卷积神经网络) 为例：

1. 观看视频：点击 YouTube 播放列表链接，按顺序观看讲座视频。
   • 提示：开启 YouTube 自动生成的字幕，或使用浏览器插件翻译为中文字幕。
2. 阅读讲义：点击旁边的 Course website 链接（例如 https://cs231n.github.io/），下载 Lecture Notes 进行深入学习。
3. 完成作业：
   • 在课程网站找到 "Assignments" 部分。
   • 通常作业会提供 GitHub 仓库链接。
   • 在本地终端执行以下命令获取作业代码（示例）：

     git clone https://github.com/cs231n/cs231n-assignments.git
     cd cs231n-assignments
     # 按照 assignment 目录下的 README.md 指示配置环境并运行
     

4. 实践编码：使用 Python 和相关库（PyTorch/TensorFlow/scikit-learn）完成编程任务，巩固理论。

3. 利用国内资源加速（可选）

对于部分热门课程，你可以在 Bilibili 搜索课程代号（如 "CS229", "CS231n", "李宏毅机器学习"），通常能找到带有中文字幕的高清搬运版本，加载速度更快且便于理解。