阅读足够多，这样你就可以开始培养直觉并相信直觉，并全力以赴！通过大量阅读培养直觉，相信自己的直觉，大胆实践！——GeoffreyHinton本文经人工智能新媒体量子比特（公众号ID：QbitAI）授权转载，转载请联系出处。要说这两年最火的机器学习课程，非吴恩达的MachineLearning莫属了。这原本是吴恩达在斯坦福大学教授的一门课程。课程视频在网络上受到学习者的广泛好评，随后推出了专题网络课程。△Coursera平台上的MachineLearning课程现在越来越多的人选择通过观看视频课程来学习知识。一方面，有老师的指导，难的内容会更容易理解；细碎时间也可以得到充分利用。在深度学习如此火热的今天，很多人通过课程视频学习各个领域的知识。虽然很多世界知名大学都发布了学校讲课或讲课视频，以造福全球对深度学习感兴趣的学习者。但是去哪里读书也成了困扰大家的难题。今天要介绍的Github仓库DeepLearningDrizzle是深度学习相关课程/讲座视频的大合集，其中不乏学术界知名专家讲授的课程。目前该项目在Github上获得6000+星数，Fork数超过1.4K。仓库维护者一共组织了14个类别232个视频课程，这个数字还在不断增加。其中包括：DeepNeuralNetworks（深度神经网络）、43MachineLearningFundamentals（机器学习基础）、12OptimizationforMachineLearning（机器学习优化方法）、12GeneralMachineLearning（通用机器学习）、39ReinforcementLearning（强化学习）、14BayesianDeepLearning（贝叶斯深度学习）、5GraphNeuralNetworks（图神经网络）、9ProbabilisticGraphicalModels（概率图模型）、5NaturalLanguageProcessing（自然语言处理）、10AutomaticSpeechRecognition（语音识别）、5ModernComputerVision（现代计算机视觉）、25BootCampsorSummerSchool（夏令营和暑期学校讲座）、44MedicalImaging（医学成像）、5Bird's-eyeviewofArtificialIntelligence（人工智能概览）、4门课程△目前在库中的所有课程列表下面我们简单介绍一下每一类课程涵盖的内容，并推荐一些比较知名的课程秒。深度神经网络深度神经网络主要涉及神经网络的工作原理和基本应用。课程推荐1.NeuralNetworksforMachineLearningGeoffreyHinton,多伦多大学,2012/2014△GeoffreyHinton,多伦多大学教授，看到Hinton这个名字的人难免会颤抖——深度学习的奠基人之一，2019年图精神奖得主。2.CS231n:CNNsforVisualRecognitionJustinJohnson,StanfordUniversity,2015-2017△斯坦福大学教授，华人学者李飞飞也是近两年网络火爆的课程，由华人学者李飞飞团队出品。每年，课程内容都会根据最新的研究成果进行更新，是一门很好的计算机视觉入门课程。3.CS320:DeepLearningAndrewNg,StanfordUniversity,2018△前斯坦福大学教授，华人学者AndrewNg华人学者AndrewNg亲自教授深度学习课程，全面的深度学习书籍，现在有专门的在线课程。机器学习基础知识机器学习基础知识数学知识对于深入理解机器学习原理至关重要。该类别包括线性代数、概率与统计、微积分和信息论等基础数学课程。课程推荐：线性代数GilbertStrang,MITOptimizationforMachineLearning机器学习优化方法优化方法是机器学习算法的灵魂。该类别侧重于优化，包括凸优化课程和机器学习的优化理论课程。课程推荐1.ConvexOptimizationStephenBoyd，斯坦福大学△Boyd凸优化教材中文版封面《凸优化》由StephenBoyd编写，是国内多所大学的凸优化课程教材。现在有机会听作者本人讲课了！2.OptimizationGeoffGordon&RyanTibshirani,CMU3,ConvexOptimizationRyanTibshirani,CMU4,AlgorithmicAspectsofMachineLearning/AdvancedAlgorithmsAnkurMoitra,MITGeneralMachineLearningGeneralMachineLearning该类别主要教授机器学习理论，统计机器学习方法等.课程推荐CS229：MachineLearningAndrewNg，斯坦福大学△吴恩达在斯坦福大学讲授的MachineLearning课程。吴恩达的机器学习课程对各种常用的统计机器学习模型进行了深入的讲解，可谓经典中的经典。强化学习该类别主要介绍强化学习的基础知识和进阶技术。众所周知的AlphaGo和各种游戏AI都是强化学习的产物。课程推荐1.强化学习入门DavidSilver、DeepMind△AlphaGo与李世石的人机大战Deepmind在强化学习领域深耕多年。AlphaGo、AlphaZero、德州扑克AI、星际争霸AI等都出自他们之手。快来看看DeepMind研究员DavidSilver是如何解释强化学习的。2.深度强化学习SergeyLevine,UCBerkeley3,CS234:ReinforcementLearningEmmaBrunskill,StanfordUniversityBayesianDeepLearning贝叶斯深度学习主要教授基于贝叶斯网络的深度学习方法。课程推荐DeepLearningandBayesianMethodsLotsLegends,HSEMoscowGraphNeuralNetworks图神经网络近年来，对图神经网络的研究越来越多。图神经网络可以有效地处理社交网络等图数据，是一个热门话题。研究方向。这部分还包括基于3D几何的深度学习内容。3D视觉也是近年来被广泛研究的课题。由于这些方向出现的时间不长，所以workshop和lecture基本上是主要的关注点。ProbabilisticGraphicalModels概率图模型概率图模型在研究中应用很广泛，比如大家熟知的隐马尔可夫模型（HMM）、条件随机场（CRF）等都是概率图模型。同时，概率图模型也是图神经网络的基础。推荐课程是CMU华裔教授邢波主讲的ProbabilisticGraphicalModelsEricXing。邢波教授本人专攻机器学习和计算生物学。自然语言处理NaturalLanguageProcessing这部分主要介绍计算语言学和基于深度学习的自然语言处理（NLP）。推荐课程1.NeuralNetworksforNaturalLanguageProcessingGrahamNeubig,CMU2,NaturalLanguageProcessingwithDeepLearningAbigailSee,ChrisManning,RichardSocher,斯坦福大学AutomaticSpeechRecognitionSpeechRecognition主要讲授如何将深度学习技术应用于语音识别。现代计算机视觉所谓现代计算机视觉其实包括两部分：传统方法和基于深度学习的方法。这些课程包括对数字图像处理和计算机视觉领域传统方法的解释，以及对摄影、视频处理和机器人技术的深度学习的研究。推荐课程1.卷积神经网络AndrewNg，斯坦福大学2，CS205A：机器人、视觉和图形的数学方法JustinSolomon，斯坦福大学新兵训练营或暑期学校夏令营和暑期学校。通常比较前沿，值得一看。MedicalImagingMedicalImaging主要讲授如何使用机器学习方法进行医学图像分析，主要是暑期班课程。鸟瞰人工智能人工智能概述这部分主要是大牛的讲座和演讲，讨论人工智能的发展方向，以及人工智能与认知、情感、道德、伦理、社会等的关系.对以上技术进行更高层次的探究，可以帮助你对人工智能有更深入的了解。最后附上项目传送门：https://github.com/kmario23/deep-learning-drizzle
