学习：深度学习公开课

[转] http://www.leiphone.com/news/201701/0milWCyQO4ZbBvuW.html

导语：入门机器学习不知道从哪着手？看这篇就够了。

在当下的机器学习热潮，人才匮乏十分显著。截至目前，国内开设人工智能（AI）专业的高校不多，相当多的开发者是跨界入门，需要自学大量知识并摸索。因而优质的学习资源至关重要。因此，雷锋网搜集了全世界范围内最受欢迎的机器学习课程，整理成这份“机器学习十大入门公开课”盘点，集中呈现给各位。这份推荐榜颇费心血，综合考虑了难易、侧重点、时效性等诸多因素，希望能帮助大家找到最适合自己的学习资源。

这些课程全部免费开放，但有些需翻墙，有的缺少中文字幕。

1. 吴恩达“机器学习”公开课

课程名称：机器学习 Machine Learning
主讲人：吴恩达 Andrew Ng
授课机构：斯坦福大学
发布平台：Coursera
语言：英语，汉语字幕
网址：https://www.coursera.org/learn/machine-learning

无论国内国外，这是最火的机器学习入门课程，没有之一。无数新手都是通过这门课对机器学习初窥门径。吴恩达老师用极其清楚直白的语言，对机器学习的几种主要算法做了初步介绍。

这门课最大的特点，是它侧重于概念理解而不是数学。数学推导过程基本被略过，重点放在让初学者理解这背后的思路。另外，它还十分重视联系实际和经验总结：1. 课程中吴恩达老师列举了许多算法实际应用的例子 2. 他提到当年他们入门 AI 时面临的许多问题，以及处理这些难题的经验。

课程中代码教程使用的是 Octave/MATLAB，因此不需要会 Python、C 语言，适合没有编程基础的新手。

总结起来，这门课对数学、统计、IT 基础薄弱的童鞋十分友好。其实很多机器学习入门课，都是假定学生已修完这一门，于是重点对其进行补充——讲解这门课程中吴恩达老师未涉及、或是涉及不深的话题。因此，对于机器学习 “一张白纸”的童鞋，雷锋网强烈推荐从这门课起步，然后选择其他入门课程进阶，以在脑海中建立起更全面的知识体系。另外，Coursera 上这门课的论坛十分活跃，不管抛出什么问题都会有人解答，算是一个额外的好处。

彩蛋：网易公开课上有吴恩达老师在斯坦福授课的实录视频。内容比较深入，但时间比较久了，可作为进阶姊妹篇。地址：http://open.163.com/special/opencourse/machinelearning.html

2. 加州理工 “从数据中学习”

课程名称：Learning from Data，网易公开课译名为“加州理工学院公开课：机器学习与数据挖掘”
主讲人：Yaser Abu-Mostafa
授课机构：加州理工学院
发布平台：edX（原版），网易公开课
语言：英语，网易有汉语字幕
网址： https://www.edx.org/course/caltechx/caltechx-cs1156x-learning-data-2516，edX；

http://open.163.com/special/opencourse/learningfromdata.html，网易。

这同样是一门机器学习的入门课，但并不简单。该课程强调数据，是因为机器学习与各领域的大数据处理应用（比如金融、医疗）联系十分紧密。这门课内容涵盖基础理论、算法和应用，平衡了理论与实践，既覆盖数学统计，也包含启发式的概念理解。

课程结构是这样的：

什么是学习？
机器能学习吗？
怎么做到？
怎么做好？
经验教训。

不少人评论该课程结构就像讲故事，它有助于学习者形成对机器学习概念和模型深度、直觉性的理解。学习者公认它内容非常充实，但对作业模块的争议很大：有人认为难度偏高并且缺乏反馈，有人认为它是网上能找到的、最好的机器学习练习。

彩蛋：Yaser Abu-Mostafa 出版了同名著作《Learning From Data》，可作为该课程的教材和补充。

3. Tom Mitchell 机器学习课程

课程名称：机器学习 Machine Learning
主讲人：Tom Mitchell
授课机构：卡内基梅隆大学（CMU）
发布平台：CMU 官网
语言：英语
网址：http://www.cs.cmu.edu/~tom/10701_sp11/

这门课是学界人士的最爱，是入门课程之中较全面、高阶的一门。课时为 15 周，远超大多数机器学习慕课。其覆盖的话题非常广，按先后次序包括：代数和概率论，机器学习的基础工具，概率图模型，AI，神经网络，主动学习，增强学习。课程内容和练习十分简洁明白，概念解释清楚到位。

Tom Mitchell 是 AI 领域德高望重的老牌宗师，他的《Machine Learning》（中文版为《计算机科学丛书:机器学习》），是最经典的机器学习教科书之一。但因为时间久远，涉及的一些概念与今天的开发者并没有太大关联，更适合需要了解人工智能来龙去脉的大学师生。这门课程与之类似，能帮助学习者理清机器学习的发展脉络。它适合计划进行系统性学习、投入大量时间的人。

对于初学者，建议至少听完吴恩达的机器学习课程之后，再修这一门。

4. 台大林轩田老师的機器學習基石

课程名称：機器學習基石
主讲人：林轩田
授课机构：台湾大学
发布平台：Coursera
语言：汉语

这是为汉语学子量身定做的入门课，相当于台湾大学机器学习课程前半学期的课，教给大家的是机器学习最核心的知识。林老师是教科书《Learning From Data》的作者之一，是华人机器学习领域年轻有为的青年学者。这门课程十分用心细致，内容比吴恩达老师的入门课程稍稍充实一些。

林老师表示，针对顶级机器学习公开课全是英语授课的现状，不少学生反映英语教学有不易吸收之处。因此，借推出这门课程，希望帮助汉语为母语的学生减少入门难度。

针对如何让学生接受枯燥的算法，林老师说道：

“我们的课程设计中，大家会看到我们把对算法与数学式的推导，以‘解决问题’的过程方式呈现。也就是说，我们对算法的介绍是环绕着‘为什么’出发的，当同学们脑中有‘为什么’的时候，就有目标去理解这些算法与数学式的内容了。”

《Learning From Data》也可作为这门课的教科书。学习 Yaser Abu-Mostafa 的课程有不解之处，可与这门课互相印证。

目前该课程已在 Coursera 下架，何时重开尚属未知。好在网易公开课、YouTube 倒是有全套视频，地址是：http://c.open.163.com/coursera/courseIntro.htm?cid=938 以及 https://www.youtube.com/playlist?list=PLXVfgk9fNX2I7tB6oIINGBmW50rrmFTqf。更多课程资料可从台大官网找到（网页为英语）http://www.csie.ntu.edu.tw/~htlin/mooc/。

彩蛋：台大 2015 年机器学习课程的大纲以及学习资料（PPT）：https://www.csie.ntu.edu.tw/~htlin/course/ml15fall/，可作为补充。顺便提一句，林老师把台大后半学期的课程开成另一门 Coursera 课程“机器学习技巧”，作为进阶。目前 Coursera 也已撤下。网易公开课地址为 http://c.open.163.com/coursera/courseIntro.htm?cid=1664。

5. 谷歌人工智能入门

课程名称：人工智能入门 Intro to Artificial Intelligence
主讲人：Peter Norvig，Sebastian Thrun
授课机构：谷歌
发布平台：优达学城 Udacity
语言：英语，汉语字幕
网址：https://cn.udacity.com/course/intro-to-artificial-intelligence--cs271

该课程久享盛名，是 AI 入门最好的公开课之一（雷锋网注：有人认为可以去掉“之一”）。

严格来说，它并不是一门机器学习课程。但其中有一周的主题是机器学习，它还介绍了另外几个 AI 主要领域：概率推理、信息检索、机器人学、自然语言处理等。鉴于学习机器学习的童鞋，几乎都会对 AI 这个大学科有兴趣——这门课程便是探索机器学习周边与交叉领域的绝好机会。

两位主讲者，Peter Norvig 和 Sebastian Thrun，一个是谷歌研究总监，一个是斯坦福著名机器学习教授，均是与吴恩达、Yann Lecun 同级别的顶级 AI 专家。

需要强调的是，该课程倾向于介绍 AI 的实际应用。课程练习广受好评。

6. UBC 本科生的机器学习课程

课程名称：面向本科生的机器学习课 Machine Learning for Undergraduates
主讲人： Nando de Freitas
授课机构：英属哥伦比亚大学（UBC）
发布平台：Youtube
语言：英语
网址：https://www.youtube.com/playlist?list=PLE6Wd9FR--Ecf_5nCbnSQMHqORpiChfJf

Nando de Freitas 是机器学习领域非常杰出的学者。他的这门课很适合作为吴恩达老师“机器学习”的进阶课程，因为：1. “机器学习”省略掉的一些概念，可以在这门课中找到。2. “机器学习”课不重视数学，而数学是这门课的重点内容。Nando de Freitas 对诸如概率论、log likelihood 等基础数学原理做了很好的讲解，并以此为基础介绍更高级的数学、统计概念。

对于机器学习新手，完全略过数学细节是很危险的，这门课会帮助你打下基础。

但是，它录制于 2012 年，时间也比较久了。因此，雷锋网特意奉上彩蛋一枚。

彩蛋：Nando de Freitas 2013 年转入牛津大学任教。这是他 2014-2015 学年在牛津的全套深度学习课程，包括视频、PPT 以及练习：https://www.cs.ox.ac.uk/people/nando.defreitas/machinelearning/ （视频保存在 Youtube，需翻墙）。

7. Yann Lecun 深度学习公开课

课程名称：深度学习 Deep Learning
主讲人：Yann Lecun
授课机构：法兰西学院
发布平台：法兰西学院官网
语言：法语，英语字幕
网址：https://www.college-de-france.fr/site/en-yann-lecun/course-2016-04-15-11h00.htm

Yann Lecun 在 2016 年初于法兰西学院开课，这是其中关于深度学习的 8 堂课。当时是用法语授课，后来加入了英文字幕。

作为人工智能领域大牛和 Facebook AI 实验室（FAIR）的负责人，Yann Lecun 身处业内机器学习研究的最前沿。他曾经公开表示，现有的一些机器学习公开课内容已经有些过时。通过 Yann Lecun 的课程能了解到近几年深度学习研究的最新进展。该系列可作为探索深度学习的进阶课程。

8. Geoffrey Hinton 深度学习课程

课程名称：神经网络用于机器学习 Neural Networks For Machine Learning；网易译名“神经网络的机器学习”
主讲人：Geoffrey Hinton
授课机构：多伦多大学
发布平台：Coursera、网易公开课
语言：英语，汉语字幕
网址：https://www.coursera.org/learn/neural-networks，Coursera；

http://c.open.163.com/coursera/courseIntro.htm?cid=77，网易

深度学习必修课程，讲师为该领域的一代宗师 Geoffrey Hinton。

这门课程聚焦于神经网络和深度学习，是深入了解该领域最好的课程之一（雷锋网注：很多人认为可以去掉“之一”）。

课程官方介绍：

“（你会在这门课）学习人工神经网络以及它们如何应用于机器学习，比方说语音、物体识别，图像分割（image segmentation），建模语言、人体运动等等。我们同时强调基础算法，以及对它们成功应用所需的实用技巧。”

这门课录制于 2013-2013，时效性上不如 Yann Lecun 的法兰西学院公开课，建议两者结合。另外，它要求微积分、Python 基础，涉及许多专有名词，对初学者难度较大，需自己查找相关资料。

9. 哥伦比亚大学的机器学习公开课

课程名称：机器学习 Machine Learning
主讲人：John W. Paisley
授课机构：哥伦比亚大学
发布平台：edX
语言：英语
网址：https://www.edx.org/course/machine-learning-columbiax-csmm-102x

在这份大牛云集的榜单中，该课程的主讲者——哥伦比亚大学副教授 John Paisley，只是一名相对普通的青年学者。但是，这门课程将于两天后，也就是 2017 年 1 月 16 日首次开课。这使它成为时下最新的机器学习入门课程。要知道，近一两年来人工智能和机器学习的发展完全可以用“日新月异”来形容——涌现的新方法、新理论，即便是一流专家也有目不暇接之感。换句换说，三、四年前的课程，可能现在有许多内容已经过时了。

这是 Yann LeCun 提醒大家注意学习资源时效性的原因所在。

可惜许多一流的机器学习公开课，距离录制都有些久了。我们知道一堂公开课背后所耗费的巨大人力。因此，对于部分课程在近两三年并没有更新的事实，倒也不能去怪主讲者和平台。但这使得比较新、时效性较强的课程格外可贵。

这门课中，学习者会了解到机器学习的算法、模型和方法，以及它们在现实生活中的应用。

由于是首次开课，尚没有对该课程的反馈。但鉴于哥伦比亚大学的研究、教学实力，课程品质应当值得期待。

10. MIT 进阶课程

课程名称：机器学习 Machine Learning
主讲人：Tommi Jaakkola
授课机构：麻省理工学院（MIT）
发布平台：MIT Opencourseware
语言：英语
网址：https://ocw.mit.edu/courses/electrical-engineering-and-computer-science/6-867-machine-learning-fall-2006/index.htm

这是一门研究生水平的机器学习课程，难度较高。可惜的是，MIT 并没有提供课程视频，而是以参考书目和课堂笔记的形式，让我们得以一窥该课程的内容。小编认为，这些学习资源的价值仍旧不可估量。因为如此，相比常规公开课，它不会耗费过多时间，非常适合有一定基础的学习者印证自己所学。

小结

这就是雷锋网为您盘点的十大最有价值的机器学习入门公开课。这些课程有浅有深，分别对机器学习不同领域、方面有所侧重。各位童鞋可根据自己所需，自行选择最适合自己的课程。不过，小编必须提醒各位，所有盘点都不可避免得掺杂了主观因素。虽然雷锋网已尽力按照课程质量与业内人士的评价来制定该推荐榜，但自知无法做到十足的公正客观。比方说，该榜单倾向于机器学习的“入门”，而非开发者进阶；倾向于概念、算法学习，而非实战技巧（比如 Python 教程）；倾向于把全世界范围内最好的课程推荐给诸君，而对英语基础较差的学习者照顾不足。榜单之外尚有许多有价值、适应不同层次人士需求的公开课。因此，雷锋网特意列举了几个比较好的系统性机器学习课程以及学习平台，弥补该榜单不足，以供参考。

友情提醒，以下包含收费课程。

系统性课程：

优达学城（Udacity）提供的的 “机器学习工程师”纳米学位，中文字幕，谷歌、滴滴参与授课，收费。

https://cn.udacity.com/course/machine-learning-engineer-nanodegree--nd009
华盛顿大学的“机器学习专业”系列课程，Coursera 平台，收费，共六门课。

https://www.coursera.org/specializations/machine-learning
约翰·霍普金斯大学的“数据科学专业”系列课程，Coursera 平台，收费，共十门课。

https://www.coursera.org/specializations/jhu-data-science
密歇根大学的“Python 的应用数据科学专业”系列课程，Coursera 平台，收费，共五门课。适合需要学习 Python 实战技巧的机器学习开发者。

https://www.coursera.org/specializations/data-science-python

1.深度学习初学者教程

深度学习简化版
2016 斯坦福湾区深度学习学校 Day 1
2016 斯坦福湾区深度学习学校 Day 2
深度学习教程
使用神经网络的深度学习及 TensorFlow 介绍
机器学习神经网络
TensorFlow 入门
神经网络
改变所有事物的神经网络
TensorFlow 广度&深度学习——机器学习
深度学习简介
深度学习揭秘

2.深度学习高级

2016 年蒙特利尔深度学习暑期班
深度学习教程——高级
深度学习实践-语音识别与其他

3.深度学习的应用

详解谷歌 DeepMind
自动驾驶汽车和深度学习 GPU-英伟达
九个有趣的深度学习应用
深度学习程序绘画

4.强化学习

简介强化学习函数逼近-教程
深度强化地形学习

深度学习初学者教程

1.深度学习简化版

时长：系列包含27个视频
链接：https://www.youtube.com/watch?list=PLjJh1vlSEYgvGod9wWiydumYl8hOXixNu&v=b99UVkWzYTQ

如果复杂的专业术语让你在学习深度学习时感到困难重重，那么这个教程就是给你的福利。这是深度学习及其基本概念的一个简化版教程。在这个教程里你将会了解到神经网络、深度网络、深度信念网络（DBN）和卷积神经网络。H2O.ai 和这个教程将会让你对深度学习有基本的理解。同时你也会了解到不同的模型，以及在不同情况下该选择何种模型和选择这种模型的理由。之后你将会学到深度学习在不同使用情形下的实际操作经验，包括支持构建你自己深度网络的平台、深度学习可以调用的库。这个简化教程里没有任何数学计算或者编程相关的内容，是为初学者了解深度学习基本思想而制作的。

2.2016 斯坦福湾区深度学习学校 Day 1

时长：10 小时 33 分
链接：https://www.youtube.com/watch?v=eyovmAtoUx0

正如吴恩达（Andrew Ng）无比精确的描述，深度学习正在改变业界的发展布局，同时大量有意思的深度学习应用正涌现出来。这个视频是 2016 湾区深度学习学校第一天的内容展示。视频覆盖到的内容有： 1）Hugo Larochelle 讲授前馈神经网络介绍（Introduction on Feedforward Neural Network）；2）Andrej Karpathy 讲授用于计算机视觉的深度学习（Deep Learning for Computer Vision）；3）Richard Socher 讲授用于自然语言处理（NLP）的深度学习（Deep Learning for NLP）；4）Sherry Moore 讲授 TensorFlow 教程（TensorFlow Tutorial）；5）Ruslan Salakhutdinov 讲授深度无监督学习基础（Foundations of Deep Unsupervised Learning）；6）吴恩达讲授深度学习应用基本要点（Nuts and Bolts of Applying Deep Learning）。这些深度学习方面的专家都会以一个易于理解的方式讲解深度学习潜在的概念原理，让你对深度学习有基础理解。同时他们也会分享各自讲授主题相关的应用实例。

3.2016 斯坦福湾区深度学习学校 Day 2

时长：10 小时 33 分
链接：https://www.youtube.com/watch?v=9dXiAecyJrY

这是湾区深度学习学校的第二天讲授内容视频。视频覆盖到的内容有：1）John Schulman 讲授深度强化学习基础（Foundation of Deep Reinforcement Learning）；2）Pascal Lamblin 讲授 Theano 介绍：一个供模型构建和训练使用的极速 Python 库（Introduction to Theano: A Fast Python library for Modelling & Training）；3）Adam Coates 和 Vinay Rao 讲授语音识别和深度学习（Speech Recognition and Deep Learning）；4）Alex Wiltschko 讲授 Torch 和 Autograd 下的机器学习（Machine Learning with Torch & Autograd）；5）Quoc Le 讲授深度学习实现 Seq2Seq（Sequence to Sequence by Deep Learning）；5）Yoshua Bengio 讲授深度学习的基础和挑战（Foundation and Challenges of Deep Learning）。这些深度学习的应用者都是经常被检索到的深度学习应用专家，他们同时也为大型公司服务，如：谷歌大脑、Twitter 等。

4. 教程：深度学习

时长：2 小时 29 分
链接：https://www.youtube.com/watch?v=CLSy5WlaWKc

在这个深度学习的视频教程里，Yoshua Bengio 和 Yann LeCun 讲解了近年来深度学习所取得的重大突破。在这个领域深耕 30 年之后，Yoshua 和 Yann 带来深度学习如何掀起机器学习和人工智能领域变革浪潮的深度解读。在本视频教程里，你将会学到深度学习是如何实现多层计算模型对数据表征的学习。这些方法大幅提升了语音识别、视觉对象识别、目标检测以及基因学等领域的相关研究。这个教程将会覆盖到深度学习基础，并讨论深度学习的不同应用和目前遇到的挑战。

5. 使用神经网络的深度学习及 TensorFlow 介绍

时长：无
链接：https://www.youtube.com/watch?v=oYbVFhK_olY

如果你一直在想知道神经网络是如何工作的，为什么最近它有这么多的关注。本教程将介绍神经网络，你将了解神经网络如何能够创建具有巨大数据集的强大模型。并理解神经网络的结构以及每个输入层如何组合在一起以生成输出。这只是完整教程中的第一个视频，第二部分是 TensorFlow 基础。如果需要了解怎样建立神经网络模型，请继续学习第三部分。

6. 机器学习神经网络

时长：无
链接：https://www.youtube.com/watch?v=cbeTc-Urqak&list=PLoRl3Ht4JOcdU872GhiYWf6jwrk_SNhz9

研究人工神经网络的主要思想是理解神经元的并行计算方式及其自适应连接。本课程将由多伦多大学教授 Geoffrey Hinton 讲授，你将学习到神经网络和机器学习将如何带来技术革命。本课程包括感知器、反向传播、卷积神经网络、循环神经网络、梯度下降和超参数贝叶斯优化等主题。这是深度学习最好的课程之一，如果你是深度学习爱好者，那就一定不能错过它。

7.TensorFlow 入门

时长：系列，共 7 个视频
链接：https://www.youtube.com/watch?v=QfNvhPx5Px8&index=5&list=PL2-dafEMk2A7EEME489DsI468AB0wQsMV

现如今最流行的机器学习框架之一就是 TensorFlow，虽然它主要用于进行机器学习和深度神经网络研究，但由于其多功能性，TensorFlow 也可用于各种应用。在这个有趣的 TensorFlow 教程中，您将学习在 Python 中用不到 40 行代码进行构建手写数字图像的分类器。您还将学习如何在 TensorFlow 中生成音乐，什么是 Tensorboard，怎样构建一个神经网络还有使用 TensorFlow 相比其他深度学习库的利弊。这个关于 TensorFlow 的简短教程是深度学习新手必须要了解的。

8. 神经网络

时长：系列，共 6 个视频
链接 https://www.youtube.com/watch?list=PL2-dafEMk2A5BoX3KyKu6ti5_Pytp91sk&v=h3l4qz76JhQ

人工神经网络能够学习，而且它们需要训练。基本上需要 3 步来构建机器学习模型，即构建、训练、测试。一旦模型构建起来，它就可以在模式识别上训练得越来越好。在这些短短 5 分钟视频里，你将学习建立神经网络、自动编码器和循环神经网络，每段视频的代码也可在 YouTube 上的描述中找到。

9. 改变所有事物的神经网络

时长：14 分 16 秒
链接：https://www.youtube.com/watch?v=py5byOOHZM8

卷积神经网络是深度神经网络和核卷积（kernel convolution）的结合。这个视频解释了卷积神经网络是如何为精确图像分类带来巨大改变的。如果你是深度学习爱好者，但对神经网络了解甚少，不妨看看这个视频。它向你展示了深度学习是如何用来估计房价的。

10.TensorFlow 广度&深度学习——机器学习

时长：3 分 24 秒
链接：https://www.youtube.com/watch?v=Xmw9SWJ0L50

广度和深度学习（wide and deep learning）结合了用于训练广度线性模型和深度神经网络的记忆（memorization）和归纳（generalization）。在这个视频中，你可以了解到在 TensorFlow 当中对这种简单易用的 API 的应用。它们在大规模的回归分析和分类中所涉及到的稀疏输入问题当中非常实用，例如推荐系统、搜索和排名问题。通过这个视频来探索广度和深度学习的可能性吧。

11. 深度学习简介

时长：11 分钟
链接：https://www.youtube.com/watch?v=l42lr8AlrHk

这个视频对深度学习进行了数学解释。它将带你了解机器是如何找到不同变量的分组并做出具体决策的。如果你是一个数学爱好者，你将会学到如何调整模型参数。视频简单地解释了神经网络对不同输入内容的反应。

12. 深度学习揭秘

时长：22 分钟
链接：https://www.youtube.com/watch?v=Q9Z20HCPnww

这是一个深度学习的初级教程。其中，你将了解深度学习是如何帮助机器识别特征的。同时，视频用简单的语言解释了神经网络。首先，视频介绍了神经元的工作方式，随后进一步解释神经元之间的交流方式。随后是深度学习在现实世界中的应用。

深度学习-高级

1.2016 年蒙特利尔深度学习暑期班

时长：无
链接：https://www.youtube.com/watch?list=PL5bqIc6XopCbb-FvnHmD1neVlQKwGzQyR&v=xK-bzjIQkmM

蒙特利尔深度学习暑期班出现了很多来自不同年龄段的专家与从业人员。该教程是要教人们对深度学习与神经网络有基础的理解。里面有 Yoshua Bengio 教授循环神经网络，Surya Ganguli 教授理论神经科学与深度学习理论，Sumit Chopra 教授 reasoning summit 和 attention，Jeff Dean 讲解 TensorFlow 大规模机器学习，Ruslan Salakhutdinov 讲解学习深度生成式模型，Ryan Olson 讲解深度学习的 GPU 编程，还有其他很多的讲演。想要了解更多内容可参考机器之心之前发表的文章：重磅 | Yoshua Bengio 深度学习暑期班学习总结，35 个授课视频全部开放（附观看地址）。

2. 深度学习教程——高级

时长：1 小时 36 分钟
链接：https://www.youtube.com/watch?v=DlNR1MrK4qE

在过去几年中，图像分类、分割、物体检测的技术因深度学习有了极大的进展。该教程会带你了解深度学习的进展，主要集中于使用 Theano 和 Lasagne 的计算机视觉与图像处理。此外，演讲者也讨论了一些重要的技巧，比如用更少的训练数据进行审核等。为了理解视频中的概念，需要一定的代数、微积分与机器学习基础。

3. 深度学习实践-语音识别与其他

时长：34 分 46 秒
链接：https://www.youtube.com/watch?v=LFDU2GX4AqM

吴恩达的地位无需再多做介绍了，大家都知道他对深度学习的贡献。他是世界上首先认识到深度学习潜力的几个人之一。在这个与吴恩达的一对一对话中，他分享了在深度学习上研究的经验、深度学习所到来的科技进展。他提到大数据的进展正在颠覆如今的产业。观看此视频可以了解更多关于深度学习与数据科学的未来。

深度学习的应用

1. 详解谷歌 DeepMind

时长：13 分 44 秒
链接：https://www.youtube.com/watch?v=TnUYcTuZJpM

AlphaGo 击败围棋前世界冠军李世乭是一个历史时刻。每当机器超越人类的时候，就会引发一轮新的社会进步。谷歌 DeepMind 宣称自己将下一代人工智能和目标带到研发这样的系统活动中：聪明到可以自主采取行动。这个视频解释了 DeepMind 的起源，以及它能为人工智能领域带来的什么样的变革。

2. 自动驾驶汽车和深度学习 GPU-英伟达

时长：1 小时 7 分
链接：https://www.youtube.com/watch?v=KkpxA5rXjmA

英伟达 CEO 黄仁勋分享了深度学习与研究如何改变自动驾驶汽车的面貌，如何让其成真的故事。他开局引介了世界上第一个由英伟达设计的、用于自动驾驶汽车的人工智能超级计算机。还解释了深度神经网络和大数据如何被用于解决 GPU 的问题。深度学习和人工智能如何变不可能为可能？这个视频会让你脑洞大开。

3. 九个超酷的深度学习应用

时长：4 分 43 秒
链接：https://www.youtube.com/watch?v=Bui3DWs02h4

想知道深度学习和机器学习在现实生活中有哪些有趣应用？这个视频会给你答案。你会看到一些让你脑洞大开的应用，比如，不同化学结构的毒性检测，大型图像有丝分裂检测，序列生成，计算机程序自己怎么玩游戏等等。

4. 深度学习程序学绘画

时长：4 分钟
链接：https://www.youtube.com/watch?v=UGAzi1QBVEg

人工智能神经网络受到了人类大脑的启发，旨在研究神经元之间的连接。在这个视频中，我们会看到几个深度学习应用。但是，神经网络的艺术创作是深度学习最神奇的应用形式。在这个视频里，你将学到如何使用深度学习绘画，或使用人工神经网络对世界名画进行再创作。用户要做的就是输入一张照片，再提供一张目标图片供系统学习（其艺术风格）。

强化学习

1. 简介强化学习函数逼近-教程

时长：2 小时 18 分钟
链接：https://www.youtube.com/watch?v=ggqnxyjaKe4

强化学习是由机器学习研究社区开发出的用来做最佳序列决策的技术。该教程提供了对底层形式问题（马尔科夫决策过程）及其核心解决方法的透彻理解，后者包括动态编程、蒙特卡洛方法和时序差分学习。该视频注重这些方法如何与参数逼近（parametric approximation）结合从而找到因过大而难以解决问题的好的逼近解决方案。演讲者也会带你了解函数逼近、eligibility traces 和 off-policy 学习的最新进展。

2. 深度强化地形学习

时长：3 分钟
链接：https://www.youtube.com/watch?v=wBrwN4dS-DA

本视频描述了深度学习与强化学习的结合，这种结合被认为有助于解决许多极端困难的任务。谷歌 DeepMind 使用深度学习建立了一个能够玩 Atari 游戏的系统，其表现超过了人类。视频展示了一个有趣的应用就是使用深度强化学习教会处在某些地带中的动物绘制周围环境，避免障碍。