本文介绍了10门相关课程，内容涵盖机器学习入门、深度学习和自然语言处理等，希望对你的学习有所帮助。图片来源：pexels本系列的贡献者包括：DeltaAnalytics、作者兼培训师AurélienGeron、威斯康星大学麦迪逊分校、AI研究员GokuMohandas、滑铁卢大学、新加坡国立大学和不列颠哥伦比亚大学等。来源：DeepUnsupervisedLearningSpring（加州大学伯克利分校）1.机器学习的基础入口：http://www.deltanalytics.org/curriculum.html（DeltaAnalytics）这门课程讲解了一些基本的建模理论，它是成为一名合格的程序员必备的知识。每个部分的课程都侧重于实际示例，旨在向读者介绍实用的技术和强大的数据建模算法，这些算法实际上非常简单。2.使用TensorFlow2和Keras的深度学习入口：https://github.com/ageron/tf2_course(AurélienGeron)在本课程中，包括使用TensorFlow2和Keras的深度学习训练。练习和详细解释由JupyterNotebooks提供。警告：TensorFlow2.0预览版将存在错误，并且可能与最终2.0版不完全相同。希望这段代码在TF2发布时能正常工作。3.深度学习传送门：http://pages.stat.wisc.edu/~sraschka/teaching/stat479-ss2019/（威斯康星大学麦迪逊分校）本课程重点理解人工神经网络和深度学习算法（在Discussthe这些方法背后的基础数学），在代码中实现网络模型，并将这些模型应用于真实数据集。涵盖的主题包括-用于图像分类和对象检测的卷积神经网络、用于建模文本的递归神经网络以及用于生成新数据的生成对抗网络。4.实用AI传送门：https://github.com/GokuMohandas/practicalAI（GokuMohandas）本课程将讲解学习和使用机器学习的实用技巧，帮助程序员使用机器学习从数据中获取有价值的信息。使用PyTorch实现基本的ML算法和深度神经网络。在浏览器上运行所有内容，无需GoogleColab设置。学习可以编码用于生产的面向对象的ML实用教程，而不仅仅是学习书面教程。5.DeepUnsupervisedLearningPortal:https://sites.google.com/view/berkeley-cs294-158-sp19/home(UCBerkeley)本课程涵盖深度学习的两个不需要标记数据的领域：DeepGenerativeModels和自我监督学习。生成模型领域的最新进展有助于对自然图像、音频波形和文本语料库等高维原始数据进行逼真的建模。自监督学习的发展缩小了监督和无监督表示学习之间的差距，以微调看不见的任务。本课程将介绍这些主题的理论基础以及最新的支持应用程序。6.深度学习概论传送门：http://courses.d2l.ai/berkeley-stat-157/index.html（加州大学伯克利分校）本课程介绍深度学习的实际应用，包括理论动机和实际操作方法。此外，还介绍了多层感知器、反向传播、自动微分和随机梯度下降。此外，本课程使用卷积网络处理图像，从简单的LeNet到最新的ResNet高精度模型架构。其次，还讨论了顺序模型和循环网络，例如LSTM、GRU和注意机制。该课程强调高效实践、优化和可扩展性，例如扩展到多个GPU和多台机器。本课程的目标是让参与者具备现代非参数估计所需的理解力和实践技能。7.强化学习传送门：https://cs.uwaterloo.ca/~ppoupart/teaching/cs885-spring18/goals.html（滑铁卢大学）本课程向学生讲解如何设计算法让机器进行强化学习。在监督学习状态下，机器从包含正确决策的示例中学习；在无监督学习状态下，机器通过发现数据中的模式来学习。在强化学习状态下，机器从部分的、隐含的和延迟的反馈中学习。顺序决策任务需要机器反复与环境或用户交互。强化学习对执行此任务有很大帮助。强化学习的应用包括机器人控制、自动驾驶汽车、游戏、会话代理、辅助技术、计算金融、运筹学等。8.深度学习自然语言处理应用传送门：https://www.comp.nus.edu.sg/~kanmy/courses/6101_1810/（新加坡国立大学）本课程参考CS224N《自然语言处理中的深度学习》——由RichardSocher在斯坦福大学教授的课程。在Socher教授的许可下，本课再现了他的课程形式和文献选择。9.自然语言处理应用门户：http://people.ischool.berkeley.edu/~dbamman/info256.html(UCBerkeley)本课程探索自然语言处理作为探索和推理基于数据的文本方法的工具，特别关注NLP的应用方面——在Python中创新地使用现有的NLP方法和库，而不是探索它们的核心算法。这是一门应用课程，每门课程包括一个简短的讲座和一个使用JupyterNotebooks的课堂实验（每个大约50%）。学生将在课堂上进行大量编程，并与其他学生和老师分组工作。学生每节课都要做好备课，课前提交备课材料，出勤率有严格要求。10.机器学习讲座传送门：https://www.cs.ubc.ca/~schmidtm/Courses/LecturesOnML/(UniversityofBritishColumbia)本课程资料是UBCUniversityCollection教授编写的关于机器学习的资料，包括来自80多场讲座的材料，涉及与机器学习相关的广泛主题。符号在主题之间相当一致，使它们的联系清晰可见，并且主题按难度排序（难度越来越大，所有概念都明确定义）。
