[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"tool-luspr--awesome-ml-courses":3,"similar-luspr--awesome-ml-courses":46},{"id":4,"github_repo":5,"name":6,"description_en":7,"description_zh":8,"ai_summary_zh":8,"readme_en":9,"readme_zh":10,"quickstart_zh":11,"use_case_zh":12,"hero_image_url":13,"owner_login":14,"owner_name":15,"owner_avatar_url":16,"owner_bio":17,"owner_company":18,"owner_location":19,"owner_email":20,"owner_twitter":18,"owner_website":21,"owner_url":22,"languages":18,"stars":23,"forks":24,"last_commit_at":25,"license":18,"difficulty_score":26,"env_os":27,"env_gpu":28,"env_ram":28,"env_deps":29,"category_tags":32,"github_topics":34,"view_count":40,"oss_zip_url":18,"oss_zip_packed_at":18,"status":41,"created_at":42,"updated_at":43,"faqs":44,"releases":45},6223,"luspr\u002Fawesome-ml-courses","awesome-ml-courses","Awesome free machine learning and AI courses with video lectures.","awesome-ml-courses 是一个精心整理的免费机器学习与人工智能课程清单，汇集了全球顶尖学者录制的高质量视频讲座。它主要解决了初学者和进阶者在海量网络资源中难以筛选出系统、权威且免费学习材料的痛点。无论是希望从零开始构建知识体系的开发者、需要查漏补缺的研究人员，还是对 AI 技术充满好奇的普通用户，都能在这里找到适合自己的入门路径。\n\n该项目的独特亮点在于不仅提供了斯坦福、伯克利、DeepMind 等机构的名师视频链接，还同步关联了课程官网，方便用户获取详细的讲义笔记、补充阅读材料以及实战作业。内容覆盖广泛，从需要线性代数基础的经典机器学习（如吴恩达教授的 CS229），到深度学习、计算机视觉、自然语言处理、强化学习乃至图神经网络等前沿领域应有尽有。部分课程特别注重实战，展示了如何使用 scikit-learn 和 Keras 等流行库将理论转化为代码。通过 awesome-ml-courses，用户可以一站式访问世界级的 AI 教育资源，高效地开启或深化自己的技术探索之旅。","# Awesome Machine Learning and AI Courses\n\nA curated list of awesome, free machine learning and artificial intelligence courses \nwith video lectures.\nAll courses are available as high-quality video lectures by some of the best\nAI researchers and teachers on this planet. \n\nBesides the video lectures, I linked course websites with lecture notes, \nadditional readings and assignments.\n\n\n## Introductory Lectures\nThese are great courses to get started in machine learning and AI.\nNo prior experience in ML and AI is needed. You should have some knowledge of\nlinear algebra, introductory calculus and probability. \nSome programming experience is also recommended.\n\n\n* [Machine Learning (Stanford CS229)](https:\u002F\u002Fwww.youtube.com\u002Fplaylist?list=PLoROMvodv4rMiGQp3WXShtMGgzqpfVfbU) | [Course website](http:\u002F\u002Fcs229.stanford.edu\u002Fsyllabus-autumn2018.html)\n\n    This modern classic of machine learning courses is a great starting point \n    to understand the concepts and techniques of machine learning. \n    The course covers many widely used techniques, \n    The lecture notes are detailed and review necessary mathematical concepts.\n\n\n* [Convolutional Neural Networks for Visual Recognition (Stanford CS231n)](https:\u002F\u002Fwww.youtube.com\u002Fplaylist?list=PL3FW7Lu3i5JvHM8ljYj-zLfQRF3EO8sYv) | [Course website](https:\u002F\u002Fcs231n.github.io\u002F)\n\n    A great way to start with deep learning. The course focuses on \n    convolutional neural networks and computer vision, but also \n    gives an overview on recurrent networks and reinforcement learning.\n\n\n* [Introduction to Artificial Intelligence (UC Berkeley CS188)](https:\u002F\u002Fwww.youtube.com\u002Fplaylist?list=PL7k0r4t5c108AZRwfW-FhnkZ0sCKBChLH) | [Course website](https:\u002F\u002Finst.eecs.berkeley.edu\u002F~cs188\u002Ffa18\u002Findex.html)\n    \n    Covers the whole field of AI. From search methods, game trees and machine learning to Bayesian networks and reinforcement learning.\n\n* [Applied Machine Learning 2020 (Columbia)](https:\u002F\u002Fwww.youtube.com\u002Fplaylist?list=PL_pVmAaAnxIRnSw6wiCpSvshFyCREZmlM)\n    \n    Alternative to Stanford CS229. As the name implies, this course takes a more\n    applied perspective than Andrew Ng's machine learning lecture at Stanford. \n    You will see more code than mathematics. Concepts and algorithms are\n    using the popular Python libraries scikit-learn and Keras.\n\n\n* [Introduction to Reinforcement learning with David Silver (DeepMind)](https:\u002F\u002Fwww.youtube.com\u002Fplaylist?list=PLqYmG7hTraZBiG_XpjnPrSNw-1XQaM_gB) | [Course website](https:\u002F\u002Fwww.davidsilver.uk\u002Fteaching\u002F)\n\n    Introduction to reinforcement learning by one of the leading researchers behind \n    AlphaGo and AlphaZero.    \n\n\n* [Natural Language Processing with Deep Learning (Stanford CS224N)](https:\u002F\u002Fwww.youtube.com\u002Fplaylist?list=PLoROMvodv4rOSH4v6133s9LFPRHjEmbmJ) | [Course website](http:\u002F\u002Fweb.stanford.edu\u002Fclass\u002Fcs224n\u002F)\n\n    Modern NLP techniques from recurrent neural networks and word embeddings\n    to transformers and self-attention. Covers applied topics like questions answering and \n    text generation.\n    \n* [Deep Learning - NYU - 2020](https:\u002F\u002Fwww.youtube.com\u002Fplaylist?list=PLLHTzKZzVU9eaEyErdV26ikyolxOsz6mq) | [Course website](https:\u002F\u002Fatcold.github.io\u002Fpytorch-Deep-Learning\u002F)\n\n    This course concerns the latest techniques in deep learning and representation learning, focusing on supervised and unsupervised deep learning, embedding methods, metric learning, convolutional and recurrent nets, with applications to computer vision, natural language understanding, and speech recognition.\n\n* [Machine Learning with Graphs (Stanford CS224W)](https:\u002F\u002Fwww.youtube.com\u002Fplaylist?list=PLoROMvodv4rPLKxIpqhjhPgdQy7imNkDn) | [Course website](https:\u002F\u002Fweb.stanford.edu\u002Fclass\u002Fcs224w\u002F)\n  \n  Comprehensive overview of machine learning techniques applied to graph-structured data. Topics include node embeddings, graph neural networks (GNNs), heterogeneous graphs, knowledge graphs, and their applications.\n  The course also covers advanced topics like neural subgraph matching, graph transformers, and scaling GNNs to large graphs.\n\n  \n## Advanced Lectures\n\nAdvanced courses that require prior knowledge in machine learning and AI. \n\n* [Deep Unsupervised Learning (UC Berkeley CS294)](https:\u002F\u002Fwww.youtube.com\u002Fchannel\u002FUCf4SX8kAZM_oGcZjMREsU9w\u002Fvideos) | [Course website](https:\u002F\u002Fsites.google.com\u002Fview\u002Fberkeley-cs294-158-sp19\u002Fhome)\n\n\n* [Frontiers of Deep Learning (Simons Institute)](https:\u002F\u002Fwww.youtube.com\u002Fplaylist?list=PLgKuh-lKre11ekU7g-Z_qsvjDD8cT-hi9) | [Course website](https:\u002F\u002Fsimons.berkeley.edu\u002Fworkshops\u002Fdl2019-1)\n\n\n* [New Deep Learning Techniques](https:\u002F\u002Fwww.youtube.com\u002Fplaylist?list=PLHyI3Fbmv0SdM0zXj31HWjG9t9Q0v2xYN) | [Course website](http:\u002F\u002Fwww.ipam.ucla.edu\u002Fprograms\u002Fworkshops\u002Fnew-deep-learning-techniques\u002F?tab=overview)\n\n* [Geometry of Deep Learning (Microsoft Research)](https:\u002F\u002Fwww.youtube.com\u002Fplaylist?list=PLD7HFcN7LXRe30qq36It2XCljxc340O_d) | [Course website](https:\u002F\u002Fwww.microsoft.com\u002Fen-us\u002Fresearch\u002Fevent\u002Fai-institute-2019\u002F)\n\n* [Deep Multi-Task and Meta Learning (Stanford CS330) Autumn 2022](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=bkVCAk9Nsss&list=PLoROMvodv4rNjRoawgt72BBNwL2V7doGI) | [Course Website](http:\u002F\u002Fcs330.stanford.edu\u002F)\n\n* [Mathematics of Machine Learning Summer School 2019 (University of Washington)](https:\u002F\u002Fwww.youtube.com\u002Fplaylist?list=PLTPQEx-31JXhguCush5J7OGnEORofoCW9) | [Course Website](http:\u002F\u002Fmathofml.cs.washington.edu\u002F)\n\n* [Probabilistic Graphical Models (Carneggie Mellon University)](https:\u002F\u002Fwww.youtube.com\u002Fplaylist?list=PLoZgVqqHOumTY2CAQHL45tQp6kmDnDcqn) | [Course Website](https:\u002F\u002Fsailinglab.github.io\u002Fpgm-spring-2019\u002F)\n\n* [Probabilistic and Statistical Machine Learning 2020 (University of Tübingen)](https:\u002F\u002Fwww.youtube.com\u002Fplaylist?list=PL05umP7R6ij1tHaOFY96m5uX3J21a6yNd)\n\n* [Statistical Machine Learning 2020 (University of Tübingen)](https:\u002F\u002Fwww.youtube.com\u002Fplaylist?list=PL05umP7R6ij2XCvrRzLokX6EoHWaGA2cC)\n\n* [Mobile Sensing and Robotics 2019 (Bonn University)](https:\u002F\u002Fwww.youtube.com\u002Fplaylist?list=PLgnQpQtFTOGQJXx-x0t23RmRbjp_yMb4v)\n\n* [Sensors and State Estimation Course 2020 (Bonn University)](https:\u002F\u002Fwww.youtube.com\u002Fplaylist?list=PLgnQpQtFTOGQh_J16IMwDlji18SWQ2PZ6)\n\n* [Photogrammetry 2015 (Bonn University)](https:\u002F\u002Fwww.youtube.com\u002Fplaylist?list=PLgnQpQtFTOGRsi5vzy9PiQpNWHjq-bKN1)\n\n* [Advanced Deep Learning & Reinforcement Learning 2020 (DeepMind \u002F UCL)](https:\u002F\u002Fwww.youtube.com\u002Fplaylist?list=PLqYmG7hTraZDNJre23vqCGIVpfZ_K2RZs)\n\n* [Data-Driven Dynamical Systems with Machine Learning](https:\u002F\u002Fwww.youtube.com\u002Fplaylist?list=PLMrJAkhIeNNR6DzT17-MM1GHLkuYVjhyt)\n\n* [Data-Driven Control with Machine Learning](https:\u002F\u002Fwww.youtube.com\u002Fplaylist?list=PLMrJAkhIeNNQkv98vuPjO2X2qJO_UPeWR)\n\n* [ECE AI Seminar Series 2020 (NYU)](https:\u002F\u002Fwww.youtube.com\u002Fplaylist?list=PLhwo5ntex8iY9xhpSwWas451NgVuqBE7U)\n\n* [CS287 Advanced Robotics at UC Berkeley Fall 2019](https:\u002F\u002Fwww.youtube.com\u002Fplaylist?list=PLwRJQ4m4UJjNBPJdt8WamRAt4XKc639wF)\n\n* [CSEP 546 - Machine Learning (AU 2019) (U of Washington)](https:\u002F\u002Fwww.youtube.com\u002Fplaylist?list=PLTPQEx-31JXj87XLsYutYGKw6K9dNaD36)\n\n* [Deep Reinforcment Learning, Decision Making and Control (UC Berkeley CS285)](https:\u002F\u002Fwww.youtube.com\u002Fplaylist?list=PLkFD6_40KJIwhWJpGazJ9VSj9CFMkb79A)\n\n* [Stanford Convex Optimization](https:\u002F\u002Fwww.youtube.com\u002Fplaylist?list=PLdrixi40lpQm5ksInXlRon1eRwq_gzIcw)\n\n* [Stanford CS224U: Natural Language Understanding | Spring 2019](https:\u002F\u002Fwww.youtube.com\u002Fplaylist?list=PLoROMvodv4rObpMCir6rNNUlFAn56Js20)\n\n* [Full Stack Deep Learning 2019](https:\u002F\u002Fwww.youtube.com\u002Fplaylist?list=PL1T8fO7ArWlcf3Hc4VMEVBlH8HZm_NbeB)\n\n* [Emerging Challenges in Deep Learning](https:\u002F\u002Fwww.youtube.com\u002Fplaylist?list=PLgKuh-lKre10BpafDrv0fg2VNUweWXWVd)\n\n* [Deep|Bayes 2019 Summer School](https:\u002F\u002Fwww.youtube.com\u002Fplaylist?list=PLe5rNUydzV9QHe8VDStpU0o8Yp63OecdW)\n\n* [CMU Neural Nets for NLP 2020](https:\u002F\u002Fwww.youtube.com\u002Fplaylist?list=PL8PYTP1V4I8CJ7nMxMC8aXv8WqKYwj-aJ)\n\n* [New Directions in Reinforcement Learning and Control (Institure for Advanced Study)](https:\u002F\u002Fwww.youtube.com\u002Fplaylist?list=PLdDZb3TwJPZ61sGqd6cbWCmTc275NrKu3)\n\n* [Workshop on Theory of Deep Learning: Where next (Institure for Advanced Study)](https:\u002F\u002Fwww.youtube.com\u002Fplaylist?list=PLdDZb3TwJPZ5dqqg_S-rgJqSFeH4DQqFQ)\n\n* [Deep Learning: Alchemy or Science? (Institure for Advanced Study)](https:\u002F\u002Fwww.youtube.com\u002Fplaylist?list=PLdDZb3TwJPZ7aAxhIHALBoh8l6-UxmMNP)\n\n* [Theoretical Machine Learning Lecture Series (Institure for Advanced Study)](https:\u002F\u002Fwww.youtube.com\u002Fplaylist?list=PLdDZb3TwJPZ5VLprf2VUfC0h1zOGvV_gz)\n\n* [Mathematics of Big Data and Machine Learning (MIT)](https:\u002F\u002Fwww.youtube.com\u002Fplaylist?list=PLUl4u3cNGP62uI_DWNdWoIMsgPcLGOx-V)\n\n* [Introduction to Data-Centric AI (MIT)](https:\u002F\u002Fdcai.csail.mit.edu\u002F) | [Lecture videos](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=ayzOzZGHZy4&list=PLnSYPjg2dHQKdig0vVbN-ZnEU0yNJ1mo5) | [Lab assignments](https:\u002F\u002Fgithub.com\u002Fdcai-course\u002Fdcai-lab)\n\n* [Transformers as a Computational Model (UC Berkeley, Simons Institute)](https:\u002F\u002Fwww.youtube.com\u002Fplaylist?list=PLgKuh-lKre11RuxGM038u0OSxVdCicIMF)\n","# 超棒的机器学习与人工智能课程\n\n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。  \n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。\n\n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。\n\n## 入门级课程\n这些课程非常适合初学者入门机器学习和人工智能领域。  \n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。  \n此外，具备一定的编程经验也会有所帮助。\n\n* [机器学习（斯坦福CS229）](https:\u002F\u002Fwww.youtube.com\u002Fplaylist?list=PLoROMvodv4rMiGQp3WXShtMGgzqpfVfbU) | [课程官网](http:\u002F\u002Fcs229.stanford.edu\u002Fsyllabus-autumn2018.html)\n\n    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。  \n    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。\n\n* [用于视觉识别的卷积神经网络（斯坦福CS231n）](https:\u002F\u002Fwww.youtube.com\u002Fplaylist?list=PL3FW7Lu3i5JvHM8ljYj-zLfQRF3EO8sYv) | [课程官网](https:\u002F\u002Fcs231n.github.io\u002F)\n\n    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。\n\n* [人工智能导论（加州大学伯克利分校CS188）](https:\u002F\u002Fwww.youtube.com\u002Fplaylist?list=PL7k0r4t5c108AZRwfW-FhnkZ0sCKBChLH) | [课程官网](https:\u002F\u002Finst.eecs.berkeley.edu\u002F~cs188\u002Ffa18\u002Findex.html)\n\n    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。\n\n* [应用机器学习2020（哥伦比亚大学）](https:\u002F\u002Fwww.youtube.com\u002Fplaylist?list=PL_pVmAaAnxIRnSw6wiCpSvshFyCREZmlM)\n\n    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。  \n    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。\n\n* [戴维·西尔弗（DeepMind）主讲的强化学习入门](https:\u002F\u002Fwww.youtube.com\u002Fplaylist?list=PLqYmG7hTraZBiG_XpjnPrSNw-1XQaM_gB) | [课程官网](https:\u002F\u002Fwww.davidsilver.uk\u002Fteaching\u002F)\n\n    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。\n\n* [结合深度学习的自然语言处理（斯坦福CS224N）](https:\u002F\u002Fwww.youtube.com\u002Fplaylist?list=PLoROMvodv4rOSH4v6133s9LFPRHjEmbmJ) | [课程官网](http:\u002F\u002Fweb.stanford.edu\u002Fclass\u002Fcs224n\u002F)\n\n    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。  \n    同时还会涉及问答系统和文本生成等实际应用课题。\n\n* [深度学习——纽约大学——2020年](https:\u002F\u002Fwww.youtube.com\u002Fplaylist?list=PLLHTzKZzVU9eaEyErdV26ikyolxOsz6mq) | [课程官网](https:\u002F\u002Fatcold.github.io\u002Fpytorch-Deep-Learning\u002F)\n\n    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。\n\n* [图上的机器学习（斯坦福CS224W）](https:\u002F\u002Fwww.youtube.com\u002Fplaylist?list=PLoROMvodv4rPLKxIpqhjhPgdQy7imNkDn) | [课程官网](https:\u002F\u002Fweb.stanford.edu\u002Fclass\u002Fcs224w\u002F)\n\n    对应用于图结构数据的机器学习技术进行全面概述。  \n    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。  \n    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。\n\n## 高级课程\n\n需要具备机器学习和人工智能先修知识的高级课程。\n\n* [深度无监督学习（UC Berkeley CS294）](https:\u002F\u002Fwww.youtube.com\u002Fchannel\u002FUCf4SX8kAZM_oGcZjMREsU9w\u002Fvideos) | [课程官网](https:\u002F\u002Fsites.google.com\u002Fview\u002Fberkeley-cs294-158-sp19\u002Fhome)\n\n\n* [深度学习前沿（西蒙斯研究所）](https:\u002F\u002Fwww.youtube.com\u002Fplaylist?list=PLgKuh-lKre11ekU7g-Z_qsvjDD8cT-hi9) | [课程官网](https:\u002F\u002Fsimons.berkeley.edu\u002Fworkshops\u002Fdl2019-1)\n\n\n* [深度学习新方法](https:\u002F\u002Fwww.youtube.com\u002Fplaylist?list=PLHyI3Fbmv0SdM0zXj31HWjG9t9Q0v2xYN) | [课程官网](http:\u002F\u002Fwww.ipam.ucla.edu\u002Fprograms\u002Fworkshops\u002Fnew-deep-learning-techniques\u002F?tab=overview)\n\n* [深度学习的几何视角（微软研究院）](https:\u002F\u002Fwww.youtube.com\u002Fplaylist?list=PLD7HFcN7LXRe30qq36It2XCljxc340O_d) | [课程官网](https:\u002F\u002Fwww.microsoft.com\u002Fen-us\u002Fresearch\u002Fevent\u002Fai-institute-2019\u002F)\n\n* [深度多任务与元学习（斯坦福CS330）2022年秋季](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=bkVCAk9Nsss&list=PLoROMvodv4rNjRoawgt72BBNwL2V7doGI) | [课程官网](http:\u002F\u002Fcs330.stanford.edu\u002F)\n\n* [2019年机器学习数学暑期学校（华盛顿大学）](https:\u002F\u002Fwww.youtube.com\u002Fplaylist?list=PLTPQEx-31JXhguCush5J7OGnEORofoCW9) | [课程官网](http:\u002F\u002Fmathofml.cs.washington.edu\u002F)\n\n* [概率图模型（卡内基梅隆大学）](https:\u002F\u002Fwww.youtube.com\u002Fplaylist?list=PLoZgVqqHOumTY2CAQHL45tQp6kmDnDcqn) | [课程官网](https:\u002F\u002Fsailinglab.github.io\u002Fpgm-spring-2019\u002F)\n\n* [2020年概率与统计机器学习（蒂宾根大学）](https:\u002F\u002Fwww.youtube.com\u002Fplaylist?list=PL05umP7R6ij1tHaOFY96m5uX3J21a6yNd)\n\n* [2020年统计机器学习（蒂宾根大学）](https:\u002F\u002Fwww.youtube.com\u002Fplaylist?list=PL05umP7R6ij2XCvrRzLokX6EoHWaGA2cC)\n\n* [2019年移动感知与机器人技术（波恩大学）](https:\u002F\u002Fwww.youtube.com\u002Fplaylist?list=PLgnQpQtFTOGQJXx-x0t23RmRbjp_yMb4v)\n\n* [2020年传感器与状态估计课程（波恩大学）](https:\u002F\u002Fwww.youtube.com\u002Fplaylist?list=PLgnQpQtFTOGQh_J16IMwDlji18SWQ2PZ6)\n\n* [2015年摄影测量学（波恩大学）](https:\u002F\u002Fwww.youtube.com\u002Fplaylist?list=PLgnQpQtFTOGRsi5vzy9PiQpNWHjq-bKN1)\n\n* [2020年深度学习与强化学习进阶课程（DeepMind \u002F UCL）](https:\u002F\u002Fwww.youtube.com\u002Fplaylist?list=PLqYmG7hTraZDNJre23vqCGIVpfZ_K2RZs)\n\n* [基于数据驱动的机器学习动力系统](https:\u002F\u002Fwww.youtube.com\u002Fplaylist?list=PLMrJAkhIeNNR6DzT17-MM1GHLkuYVjhyt)\n\n* [基于数据驱动的机器学习控制](https:\u002F\u002Fwww.youtube.com\u002Fplaylist?list=PLMrJAkhIeNNQkv98vuPjO2X2qJO_UPeWR)\n\n* [2020年纽约大学ECE AI研讨会系列](https:\u002F\u002Fwww.youtube.com\u002Fplaylist?list=PLhwo5ntex8iY9xhpSwWas451NgVuqBE7U)\n\n* [2019年秋季UC Berkeley CS287高级机器人学课程](https:\u002F\u002Fwww.youtube.com\u002Fplaylist?list=PLwRJQ4m4UJjNBPJdt8WamRAt4XKc639wF)\n\n* [2019年秋季华盛顿大学CSEP 546——机器学习课程](https:\u002F\u002Fwww.youtube.com\u002Fplaylist?list=PLTPQEx-31JXj87XLsYutYGKw6K9dNaD36)\n\n* [深度强化学习、决策与控制（UC Berkeley CS285）](https:\u002F\u002Fwww.youtube.com\u002Fplaylist?list=PLkFD6_40KJIwhWJpGazJ9VSj9CFMkb79A)\n\n* [斯坦福凸优化课程](https:\u002F\u002Fwww.youtube.com\u002Fplaylist?list=PLdrixi40lpQm5ksInXlRon1eRwq_gzIcw)\n\n* [斯坦福CS224U：自然语言理解 | 2019年春季](https:\u002F\u002Fwww.youtube.com\u002Fplaylist?list=PLoROMvodv4rObpMCir6rNNUlFAn56Js20)\n\n* [2019年全栈深度学习课程](https:\u002F\u002Fwww.youtube.com\u002Fplaylist?list=PL1T8fO7ArWlcf3Hc4VMEVBlH8HZm_NbeB)\n\n* [深度学习领域的新兴挑战](https:\u002F\u002Fwww.youtube.com\u002Fplaylist?list=PLgKuh-lKre10BpafDrv0fg2VNUweWXWVd)\n\n* [2019年夏季Deep|Bayes暑期学校](https:\u002F\u002Fwww.youtube.com\u002Fplaylist?list=PLe5rNUydzV9QHe8VDStpU0o8Yp63OecdW)\n\n* [2020年卡内基梅隆大学面向自然语言处理的神经网络课程](https:\u002F\u002Fwww.youtube.com\u002Fplaylist?list=PL8PYTP1V4I8CJ7nMxMC8aXv8WqKYwj-aJ)\n\n* [强化学习与控制的新方向（高等研究院）](https:\u002F\u002Fwww.youtube.com\u002Fplaylist?list=PLdDZb3TwJPZ61sGqd6cbWCmTc275NrKu3)\n\n* [深度学习理论研讨会：下一步走向何方（高等研究院）](https:\u002F\u002Fwww.youtube.com\u002Fplaylist?list=PLdDZb3TwJPZ5dqqg_S-rgJqSFeH4DQqFQ)\n\n* [深度学习：炼金术还是科学？（高等研究院）](https:\u002F\u002Fwww.youtube.com\u002Fplaylist?list=PLdDZb3TwJPZ7aAxhIHALBoh8l6-UxmMNP)\n\n* [高等研究院理论机器学习讲座系列](https:\u002F\u002Fwww.youtube.com\u002Fplaylist?list=PLdDZb3TwJPZ5VLprf2VUfC0h1zOGvV_gz)\n\n* [MIT大数据与机器学习数学课程](https:\u002F\u002Fwww.youtube.com\u002Fplaylist?list=PLUl4u3cNGP62uI_DWNdWoIMsgPcLGOx-V)\n\n* [以数据为中心的人工智能导论（MIT）](https:\u002F\u002Fdcai.csail.mit.edu\u002F) | [讲座视频](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=ayzOzZGHZy4&list=PLnSYPjg2dHQKdig0vVbN-ZnEU0yNJ1mo5) | [实验作业](https:\u002F\u002Fgithub.com\u002Fdcai-course\u002Fdcai-lab)\n\n* [Transformer作为计算模型（UC Berkeley, 西蒙斯研究所）](https:\u002F\u002Fwww.youtube.com\u002Fplaylist?list=PLgKuh-lKre11RuxGM038u0OSxVdCicIMF)","# awesome-ml-courses 快速上手指南\n\n`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。\n\n## 环境准备\n\n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：\n\n*   **操作系统**：Windows、macOS 或 Linux 均可。\n*   **网络环境**：\n    *   需要能够访问 **YouTube**（大部分视频托管于此）和 **GitHub**。\n    *   *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）。\n*   **前置知识**：\n    *   数学基础：线性代数、微积分入门、概率论。\n    *   编程基础：推荐使用 **Python**，熟悉基本语法及数据结构。\n*   **推荐工具**：\n    *   浏览器（Chrome\u002FEdge\u002FFirefox）。\n    *   代码编辑器（VS Code \u002F PyCharm）用于完成课程中的编程作业。\n    *   Python 环境（建议安装 Anaconda 以便管理科学计算包）。\n\n## 安装步骤\n\n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：\n\n### 方式一：直接在线浏览（推荐）\n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。\n\n### 方式二：克隆仓库到本地\n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。\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fkmario23\u002Fawesome-ml-courses.git\ncd awesome-ml-courses\n```\n\n*注：克隆后主要查看 `README.md` 文件中的链接列表。*\n\n## 基本使用\n\n### 1. 选择适合你的课程\n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：\n\n*   **零基础入门**：\n    *   **机器学习基础**：[Stanford CS229](https:\u002F\u002Fwww.youtube.com\u002Fplaylist?list=PLoROMvodv4rMiGQp3WXShtMGgzqpfVfbU) (Andrew Ng 经典课程)\n    *   **深度学习\u002F计算机视觉**：[Stanford CS231n](https:\u002F\u002Fwww.youtube.com\u002Fplaylist?list=PL3FW7Lu3i5JvHM8ljYj-zLfQRF3EO8sYv)\n    *   **人工智能导论**：[UC Berkeley CS188](https:\u002F\u002Fwww.youtube.com\u002Fplaylist?list=PL7k0r4t5c108AZRwfW-FhnkZ0sCKBChLH)\n    *   **实战导向（代码多于数学）**：[Columbia Applied Machine Learning 2020](https:\u002F\u002Fwww.youtube.com\u002Fplaylist?list=PL_pVmAaAnxIRnSw6wiCpSvshFyCREZmlM) (使用 scikit-learn 和 Keras)\n\n*   **进阶专题**：\n    *   **自然语言处理**：[Stanford CS224N](https:\u002F\u002Fwww.youtube.com\u002Fplaylist?list=PLoROMvodv4rOSH4v6133s9LFPRHjEmbmJ) (涵盖 Transformer 等最新技术)\n    *   **强化学习**：[DeepMind with David Silver](https:\u002F\u002Fwww.youtube.com\u002Fplaylist?list=PLqYmG7hTraZBiG_XpjnPrSNw-1XQaM_gB)\n    *   **图神经网络**：[Stanford CS224W](https:\u002F\u002Fwww.youtube.com\u002Fplaylist?list=PLoROMvodv4rPLKxIpqhjhPgdQy7imNkDn)\n\n### 2. 开始学习流程\n以 **Stanford CS231n (卷积神经网络)** 为例：\n\n1.  **观看视频**：点击 YouTube 播放列表链接，按顺序观看讲座视频。\n    *   *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。\n2.  **阅读讲义**：点击旁边的 `Course website` 链接（例如 `https:\u002F\u002Fcs231n.github.io\u002F`），下载 Lecture Notes 进行深入学习。\n3.  **完成作业**：\n    *   在课程网站找到 \"Assignments\" 部分。\n    *   通常作业会提供 GitHub 仓库链接。\n    *   在本地终端执行以下命令获取作业代码（示例）：\n        ```bash\n        git clone https:\u002F\u002Fgithub.com\u002Fcs231n\u002Fcs231n-assignments.git\n        cd cs231n-assignments\n        # 按照 assignment 目录下的 README.md 指示配置环境并运行\n        ```\n4.  **实践编码**：使用 Python 和相关库（PyTorch\u002FTensorFlow\u002Fscikit-learn）完成编程任务，巩固理论。\n\n### 3. 利用国内资源加速（可选）\n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。","一名刚转行 AI 的初级算法工程师，急需系统掌握深度学习理论以完成公司的图像识别项目，但面对海量网络资源无从下手。\n\n### 没有 awesome-ml-courses 时\n- **资源筛选成本高**：在搜索引擎中盲目查找课程，难以辨别内容质量，容易陷入过时教程或付费陷阱。\n- **知识体系碎片化**：东拼西凑看视频，缺乏从线性代数基础到 Transformer 架构的完整逻辑链条，导致理解断层。\n- **理论与实践脱节**：只看了零散的概念讲解，找不到配套的讲义、作业和代码实现，无法动手验证算法。\n- **前沿技术滞后**：难以直接接触到由 Andrew Ng、David Silver 等顶级学者讲授的最新研究成果，学习深度不足。\n\n### 使用 awesome-ml-courses 后\n- **一站式获取顶课**：直接锁定斯坦福 CS231n、CS229 等全球顶尖免费课程，确保学习内容的权威性与时效性。\n- **构建系统化路径**：按照“入门 - 进阶 - 专项”的分类，循序渐进地修完从卷积神经网络到图神经网络的完整知识树。\n- **闭环式学习体验**：通过链接直达课程官网，同步获取详细讲义、阅读材料和编程作业，实现“看视频 + 读文档 + 写代码”的闭环。\n- **直击核心领域**：针对项目需求，精准定位到自然语言处理（CS224N）或强化学习（David Silver）等专项课程，快速补齐技术短板。\n\nawesome-ml-courses 将分散的全球顶级教育资源整合为一张清晰的地图，让学习者能以最低成本享受最优质的 AI 教育。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fluspr_awesome-ml-courses_5bd9e616.png","luspr","Lukas Spranger","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fluspr_19e30b9e.jpg","Software Engineer, Data scientist.",null,"Germany","lukas.spranger@gmail.com","https:\u002F\u002Fspranger.xyz","https:\u002F\u002Fgithub.com\u002Fluspr",3068,318,"2026-04-10T04:54:58",1,"","未说明",{"notes":30,"python":28,"dependencies":31},"该工具是一个机器学习与人工智能课程的视频和资料清单（Awesome List），并非可执行的软件代码库。因此，它没有特定的操作系统、GPU、内存或 Python 版本等运行环境需求。用户只需具备网络连接以访问视频链接，并根据具体课程描述（如部分课程建议使用 scikit-learn, Keras, PyTorch 等）自行准备相应的学习环境。",[],[33],"开发框架",[35,36,37,38,39],"machine-learning","deep-learning","reinforcement-learning","ai-courses","artificial-intelligence",2,"ready","2026-03-27T02:49:30.150509","2026-04-10T20:47:16.672180",[],[],[47,59,67,76,84,93],{"id":48,"name":49,"github_repo":50,"description_zh":51,"stars":52,"difficulty_score":53,"last_commit_at":54,"category_tags":55,"status":41},4358,"openclaw","openclaw\u002Fopenclaw","OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。\n\n这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。\n\nOpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你",349277,3,"2026-04-06T06:32:30",[56,33,57,58],"Agent","图像","数据工具",{"id":60,"name":61,"github_repo":62,"description_zh":63,"stars":64,"difficulty_score":53,"last_commit_at":65,"category_tags":66,"status":41},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,"2026-04-05T11:01:52",[33,57,56],{"id":68,"name":69,"github_repo":70,"description_zh":71,"stars":72,"difficulty_score":40,"last_commit_at":73,"category_tags":74,"status":41},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",149489,"2026-04-10T11:32:46",[33,56,75],"语言模型",{"id":77,"name":78,"github_repo":79,"description_zh":80,"stars":81,"difficulty_score":40,"last_commit_at":82,"category_tags":83,"status":41},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",108322,"2026-04-10T11:39:34",[33,57,56],{"id":85,"name":86,"github_repo":87,"description_zh":88,"stars":89,"difficulty_score":40,"last_commit_at":90,"category_tags":91,"status":41},6121,"gemini-cli","google-gemini\u002Fgemini-cli","gemini-cli 是一款由谷歌推出的开源 AI 命令行工具，它将强大的 Gemini 大模型能力直接集成到用户的终端环境中。对于习惯在命令行工作的开发者而言，它提供了一条从输入提示词到获取模型响应的最短路径，无需切换窗口即可享受智能辅助。\n\n这款工具主要解决了开发过程中频繁上下文切换的痛点，让用户能在熟悉的终端界面内直接完成代码理解、生成、调试以及自动化运维任务。无论是查询大型代码库、根据草图生成应用，还是执行复杂的 Git 操作，gemini-cli 都能通过自然语言指令高效处理。\n\n它特别适合广大软件工程师、DevOps 人员及技术研究人员使用。其核心亮点包括支持高达 100 万 token 的超长上下文窗口，具备出色的逻辑推理能力；内置 Google 搜索、文件操作及 Shell 命令执行等实用工具；更独特的是，它支持 MCP（模型上下文协议），允许用户灵活扩展自定义集成，连接如图像生成等外部能力。此外，个人谷歌账号即可享受免费的额度支持，且项目基于 Apache 2.0 协议完全开源，是提升终端工作效率的理想助手。",100752,"2026-04-10T01:20:03",[92,56,57,33],"插件",{"id":94,"name":95,"github_repo":96,"description_zh":97,"stars":98,"difficulty_score":40,"last_commit_at":99,"category_tags":100,"status":41},4721,"markitdown","microsoft\u002Fmarkitdown","MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具，专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片（含 OCR）、音频（含语音转录）、HTML 乃至 YouTube 链接等多种格式的解析，能够精准提取文档中的标题、列表、表格和链接等关键结构信息。\n\n在人工智能应用日益普及的今天，大语言模型（LLM）虽擅长处理文本，却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点，它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式，成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外，它还提供了 MCP（模型上下文协议）服务器，可无缝集成到 Claude Desktop 等 LLM 应用中。\n\n这款工具特别适合开发者、数据科学家及 AI 研究人员使用，尤其是那些需要构建文档检索增强生成（RAG）系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性，但其核心优势在于为机器",93400,"2026-04-06T19:52:38",[92,33]]