Ml cursos de youtube
En Dair.ai We ❤️ Abierto la educación de IA. En este repositorio, indexamos y organizamos algunos de los mejores y más recientes cursos de aprendizaje automático disponibles en YouTube.
Aprendizaje automático
- Caltech CS156: Aprender de los datos
- Stanford CS229: Aprendizaje automático
- Hacer amigos con el aprendizaje automático
- Aprendizaje automático aplicado
- Introducción al aprendizaje automático (Tübingen)
- Conferencia de aprendizaje automático (Stefan Harmeling)
- Aprendizaje automático estadístico (Tübingen)
- Aprendizaje automático probabilístico
- MIT 6.S897: Aprendizaje automático para la atención médica (2019)
Aprendizaje profundo
- Redes neuronales: cero a héroe
- MIT: aprendizaje profundo para el arte, la estética y la creatividad
- Stanford CS230: Deep Learning (2018)
- Introducción al aprendizaje profundo (MIT)
- Introducción a CMU al aprendizaje profundo (11-785)
- Aprendizaje profundo: CS 182
- Aprendizaje profundo sin supervisión
- NYU Deep Learning SP21
- Modelos de base
- Aprendizaje profundo (Tübingen)
Aprendizaje automático científico
- Informática paralela y aprendizaje automático científico
Aprendizaje automático práctico
- LLMOPS: construcción de aplicaciones del mundo real con modelos de idiomas grandes
- Evaluar y depurar AI generativo
- Chatgpt Ingeniería rápida para desarrolladores
- Langchain para el desarrollo de aplicaciones LLM
- Langchain: chatea con tus datos
- Sistemas de construcción con la API ChatGPT
- Bases de datos de Langchain & Vector en producción
- Construir aplicaciones con alimentación de LLM
- Bootcamp completo de stack llm
- Aprendizaje profundo de pila completa
- Aprendizaje profundo práctico para codificadores
- Seminarios de Stanford Mlsys
- Ingeniería de aprendizaje automático para la producción (MLOPS)
- Introducción del MIT a la IA centrada en datos
Procesamiento del lenguaje natural
- XCS224U: comprensión del lenguaje natural (2023)
- Stanford CS25 - Transformers United
- Curso de la PNL (cara abrazada)
- CS224N: Procesamiento del lenguaje natural con aprendizaje profundo
- Redes neuronales de CMU para PNL
- CS224U: comprensión del lenguaje natural
- CMU Advanced NLP 2021/2022/2024
- PNL multilingüe
- PNL avanzada
Visión por computadora
- CS231N: Redes neuronales convolucionales para el reconocimiento visual
- Aprendizaje profundo para la visión por computadora
- Aprendizaje profundo para la visión por computadora (DL4CV)
- Aprendizaje profundo para la visión por computadora (neuralearn.ai)
Aprendizaje de refuerzo
- Aprendizaje de refuerzo profundo
- Serie de conferencias de aprendizaje de refuerzo (DeepMind)
- Aprendizaje de refuerzo (Polytechnique Montreal, otoño 2021)
- Fundamentos de Deep RL
- Stanford CS234: Aprendizaje de refuerzo
Aprendizaje automático gráfico
- Aprendizaje automático con gráficos (Stanford)
- Curso de aprendizaje profundo geométrico ammi
Aprendizaje de varias tareas
- Multitarea y meta-learning (Stanford)
Otros
- MIT Aprendizaje profundo en ciencias de la vida
- Autos autónomos (Tübingen)
- Robótica avanzada (Berkeley)
Caltech CS156: Aprender de los datos
Un curso introductorio en aprendizaje automático que cubre la teoría básica, los algoritmos y las aplicaciones.
- Conferencia 1: El problema de aprendizaje
- Conferencia 2: ¿Es factible el aprendizaje?
- Conferencia 3: El modelo lineal I
- Conferencia 4: Error y ruido
- Conferencia 5: Entrenamiento versus pruebas
- Conferencia 6: Teoría de la generalización
- Conferencia 7: La dimensión VC
- Conferencia 8: Comercio de varianza de sesgo
- Conferencia 9: El modelo lineal II
- Conferencia 10: Redes neuronales
- Conferencia 11: Overeciting
- Conferencia 12: Regularización
- Conferencia 13: Validación
- Conferencia 14: Máquinas de vectores de soporte
- Conferencia 15: Métodos del núcleo
- Conferencia 16: Funciones de base radial
- Conferencia 17: Tres principios de aprendizaje
- Conferencia 18: Epílogo
? Enlace al curso
Stanford CS229: Aprendizaje automático
Para aprender algunos de los conceptos básicos de ML:
- Regresión lineal y descenso de gradiente
- Regresión logística
- Bayes ingenuos
- SVMS
- Núcleo
- Árboles de decisión
- Introducción a las redes neuronales
- Depuración de modelos ML ...
? Enlace al curso
Hacer amigos con el aprendizaje automático
Una serie de mini conferencias que cubren varios temas introductorios en ML:
- Explicabilidad en AI
- Clasificación vs. regresión
- Precesión vs. retirada
- Significación estadística
- Agrupación y k-medias
- Modelos de conjunto ...
? Enlace al curso
Redes neuronales: Zero to Hero (de Andrej Karpathy)
Curso que proporciona una descripción en profundidad de las redes neuronales.
- Backpropagation
- Introducción de la introducción de lenguaje deletreado
- Activación y gradientes
- Convertirse en un Ninja Backprop
? Enlace al curso
MIT: aprendizaje profundo para el arte, la estética y la creatividad
Cubre la aplicación de aprendizaje profundo para el arte, la estética y la creatividad.
- Nostalgia -> art -> creatividad -> evolución como datos + dirección
- Gans eficientes
- Exploraciones en IA para la creatividad
- Abstracciones neuronales
- Creación fácil de contenido en 3D con campos neuronales consistentes ...
? Enlace al curso
Stanford CS230: Deep Learning (2018)
Cubre los fundamentos del aprendizaje profundo, cómo construir diferentes redes neuronales (CNNS, RNNS, LSTMS, etc.), cómo liderar proyectos de aprendizaje automático y consejos profesionales para profesionales de aprendizaje profundo.
- Intuición de aprendizaje profundo
- Ejemplos adversos - Gans
- Ciclo completo de un proyecto de aprendizaje profundo
- AI y atención médica
- Estrategia de aprendizaje profundo
- Interpretabilidad de las redes neuronales
- Consejos profesionales y trabajos de investigación de lectura
- Aprendizaje de refuerzo profundo
? Enlace al curso? Enlace a materiales
Aprendizaje automático aplicado
Para aprender algunas de las técnicas más utilizadas en ML:
- Optimización y cálculo
- Sobrecargado y poco atajón
- Regularización
- Estimación de Monte Carlo
- Aprendizaje de máxima probabilidad
- Vecinos más cercanos
- ...
? Enlace al curso
Introducción al aprendizaje automático (Tübingen)
El curso sirve como una introducción básica al aprendizaje automático y cubre conceptos clave en regresión, clasificación, optimización, regularización, agrupación y reducción de dimensionalidad.
- Regresión lineal
- Regresión logística
- Regularización
- Impulso
- Redes neuronales
- PCA
- Agrupación
- ...
? Enlace al curso
Conferencia de aprendizaje automático (Stefan Harmeling)
Cubre muchos conceptos de ML fundamentales:
- Regla de Bayes
- De la lógica a las probabilidades
- Distribuciones
- Cálculo diferencial de matriz
- PCA
- K-means y em
- Causalidad
- Procesos gaussianos
- ...
? Enlace al curso
Aprendizaje automático estadístico (Tübingen)
El curso cubre los paradigmas y algoritmos estándar en el aprendizaje automático estadístico.
- Knnn
- Teoría de la decisión bayesiana
- Optimización convexa
- Regresión lineal y de cresta
- Regresión logística
- SVM
- Bosques aleatorios
- Impulso
- PCA
- Agrupación
- ...
? Enlace al curso
Aprendizaje profundo práctico para codificadores
Este curso cubre temas como cómo:
- Construir y entrenar modelos de aprendizaje profundo para la visión por computadora, el procesamiento del lenguaje natural, el análisis tabular y los problemas de filtrado colaborativo
- Crear bosques aleatorios y modelos de regresión
- Implementar modelos
- Use Pytorch, el software de aprendizaje profundo de más rápido crecimiento del mundo, además de bibliotecas populares como Fasti y Hugging Face
- Fundamentos y modelos profundos de difusión
- ...
? Enlace al curso - Parte 1
? Enlace al curso - Parte 2
Seminarios de Stanford Mlsys
Una serie de seminarios sobre todo tipo de temas relacionados con la construcción de sistemas de aprendizaje automático.
? Enlace a las conferencias
Ingeniería de aprendizaje automático para la producción (MLOPS)
Curso de especialización en MLOP por Andrew Ng.
? Enlace a las conferencias
Introducción del MIT a la IA centrada en datos
Cubre la ciencia emergente de la IA centrada en datos (DCAI) que estudia técnicas para mejorar los conjuntos de datos, que a menudo es la mejor manera de mejorar el rendimiento en aplicaciones prácticas de ML. Los temas incluyen:
- AI centrada en datos versus IA centrada en el modelo
- Errores de etiqueta
- Creación y curación del conjunto de datos
- Evaluación centrada en datos de modelos ML
- Desequilibrio de clase, valores atípicos y cambio de distribución
- ...
? Sitio web del curso
? Videos de conferencias
? Asignaciones de laboratorio
Aprendizaje automático con gráficos (Stanford)
Para aprender algunas de las últimas técnicas gráficas en el aprendizaje automático:
- Carpeta
- Factorización de matriz
- Incrustaciones de nodo
- Redes neuronales gráficas
- Gráficos de conocimiento
- Modelos generativos profundos para gráficos
- ...
? Enlace al curso
Aprendizaje automático probabilístico
Para aprender el paradigma probabilístico de ML:
- Razonamiento sobre la incertidumbre
- Variables continuas
- Muestreo
- Cadena de Markov Monte Carlo
- Distribuciones gaussianas
- Modelos gráficos
- Algoritmos de inferencia de ajuste
- ...
? Enlace al curso
MIT 6.S897: Aprendizaje automático para la atención médica (2019)
Este curso presenta a los estudiantes el aprendizaje automático en la atención médica, incluida la naturaleza de los datos clínicos y el uso del aprendizaje automático para la estratificación del riesgo, el modelado de progresión de la enfermedad, la medicina de precisión, el diagnóstico, el descubrimiento de subtipo y la mejora de los flujos de trabajo clínicos.
? Enlace al curso
Introducción al aprendizaje profundo
Para aprender algunos de los fundamentos del aprendizaje profundo:
- Introducción al aprendizaje profundo
? Enlace al curso
Introducción a CMU al aprendizaje profundo (11-785)
El curso comienza gradualmente de MLP (perceptrones de múltiples capas) y luego progresa a conceptos como la atención y los modelos de secuencia a secuencia.
? Enlace al curso
? Conferencias
? Tutoriales/recitaciones
Aprendizaje profundo: CS 182
Para aprender algunas de las técnicas ampliamente utilizadas en el aprendizaje profundo:
- Conceptos básicos de aprendizaje automático
- Análisis de errores
- Mejoramiento
- Backpropagation
- Inicialización
- Normalización por lotes
- Transferencia de estilo
- Aprendizaje de imitación
- ...
? Enlace al curso
Aprendizaje profundo sin supervisión
Para aprender las técnicas últimas y más utilizadas en un aprendizaje profundo sin supervisión:
- Modelos autorregresivos
- Modelos de flujo
- Modelos de variables latentes
- Aprendizaje auto-supervisado
- Modelos implícitos
- Compresión
- ...
? Enlace al curso
NYU Deep Learning SP21
Para aprender algunas de las técnicas avanzadas en el aprendizaje profundo:
- Redes neuronales: rotación y aplastamiento
- Modelos basados en energía variable latente
- Aprendizaje no supervisado
- Redes adversas generativas
- Autoencoders
- ...
? Enlace al curso
Modelos de base
Para aprender sobre modelos de base como GPT-3, Clip, Flamingo, Codex y Dino.
? Enlace al curso
Aprendizaje profundo (Tübingen)
Este curso introduce los principios prácticos y teóricos de las redes neuronales profundas.
- Gráficos de cálculo
- Funciones de activación y funciones de pérdida
- Capacitación, regularización y aumento de datos
- Arquitecturas de redes neuronales básicas y de vanguardia que incluyen redes convolucionales y redes neuronales gráficas
- Modelos generativos profundos como codificadores automáticos, codificadores automáticos variacionales y redes adversas generativas
- ...
? Enlace al curso
Informática paralela y aprendizaje automático científico
- Los conceptos básicos de los simuladores científicos
- Introducción a la computación paralela
- Dinámica continua
- Problemas inversos y programación diferenciable
- Computación paralela distribuida
- Redes neuronales informadas por física y ecuaciones diferenciales neuronales
- Programación probabilística, también conocido como estimación bayesiana en programas
- Globalizando la comprensión de los modelos
? Enlace al curso
XCS224U: comprensión del lenguaje natural (2023)
Este curso cubre temas como:
- Representaciones de palabras contextuales
- Recuperación de información
- Aprendizaje en contexto
- Evaluación conductual de los modelos NLU
- Métodos y métricas de PNL
- ...
? Enlace al curso
Stanford CS25 - Transformers United
Este curso consiste en conferencias centradas en los transformadores, proporcionando una inmersión profunda y sus aplicaciones
- Introducción a los transformadores
- Transformadores en el lenguaje: GPT-3, Codex
- Aplicaciones de visión
- Transformadores en motores RL y Universal Compute
- Transformadores de escala
- Interpretabilidad con transformadores
- ...
? Enlace al curso
Curso de la PNL (cara abrazada)
Aprenda sobre diferentes conceptos de PNL y cómo aplicar modelos de idiomas y transformadores a PNL:
- ¿Qué es el aprendizaje de la transferencia?
- Tokenización de BPE
- Entradas por lotes
- Modelos ajustados
- Embedidas de texto y búsqueda semántica
- Evaluación del modelo
- ...
? Enlace al curso
CS224N: Procesamiento del lenguaje natural con aprendizaje profundo
Para aprender los últimos enfoques para la PNL basada en el aprendizaje profundo:
- Analizador de dependencia
- Modelos de idiomas y rnns
- Respuesta de preguntas
- Transformadores y preventiva
- Generación del lenguaje natural
- Modelos de idiomas t5 y grandes
- Futuro de la PNL
- ...
? Enlace al curso
Redes neuronales de CMU para PNL
Para aprender las últimas técnicas basadas en redes neuronales para PNL:
- Modelado de idiomas
- Trucos de eficiencia
- Generación condicionada
- Predicción estructurada
- Interpretación del modelo
- Algoritmos de búsqueda avanzados
- ...
? Enlace al curso
CS224U: comprensión del lenguaje natural
Para aprender los últimos conceptos en comprensión del lenguaje natural:
- Comprensión del lenguaje fundamentado
- Extracción de relación
- Inferencia del lenguaje natural (NLI)
- NLU y extracción de información neuronal
- Prueba adversa
- ...
? Enlace al curso
CMU Avanzado NLP
Aprender:
- Conceptos básicos de las técnicas de PNL modernas
- Aprendizaje multiproceso, multimil-dominio y multilingüe
- Solicitud + secuencia a la secuencia previa al entrenamiento
- Interpretar y depurar modelos PNL
- Aprender de las bases de conocimiento
- Aprendizaje adversario
- ...
? Enlace a la edición 2021
? Enlace a la edición 2022
? Enlace a 2024 edición
PNL multilingüe
Para aprender los últimos conceptos para hacer PNL multilingüe:
- Tipología
- Palabras, parte del habla y la morfología
- Clasificación de texto avanzado
- Traducción automática
- Aumento de datos para MT
- Bajos recursos ASR
- Aprendizaje activo
- ...
? Enlace al curso 2020
? Enlace al curso 2022
PNL avanzada
Para aprender conceptos avanzados en PNL:
- Mecanismos de atención
- Transformadores
- Bert
- Respuesta de preguntas
- Destilación modelo
- Visión + lenguaje
- Ética en PNL
- Razonamiento de sentido común
- ...
? Enlace al curso
CS231N: Redes neuronales convolucionales para el reconocimiento visual
El famoso curso CS231N de Stanford. Los videos solo están disponibles para el semestre de primavera de 2017. El curso se conoce actualmente como aprendizaje profundo para la visión por computadora, pero la versión de primavera de 2017 se titula redes neuronales convolucionales para el reconocimiento visual.
- Clasificación de imágenes
- Funciones de pérdida y optimización
- Introducción a las redes neuronales
- Redes neuronales convolucionales
- Capacitación de redes neuronales
- Software de aprendizaje profundo
- Arquitecturas CNN
- Redes neuronales recurrentes
- Detección y segmentación
- Visualizar y comprender
- Modelos generativos
- Aprendizaje de refuerzo profundo
? Enlace al curso? Enlace a materiales
Aprendizaje profundo para la visión por computadora
Para aprender algunos de los conceptos fundamentales en CV:
- Introducción al aprendizaje profundo para CV
- Clasificación de imágenes
- Redes convolucionales
- Redes de atención
- Detección y segmentación
- Modelos generativos
? Enlace al curso
Aprendizaje profundo para la visión por computadora (DL4CV)
Para aprender métodos modernos para la visión por computadora:
- CNNS
- Pytorch avanzado
- Comprender las redes neuronales
- Rnn, atención y vits
- Modelos generativos
- Fundamentos de GPU
- Auto-supervisión
- Representación neuronal
- Arquitecturas eficientes
? Enlace al curso
Aprendizaje profundo para la visión por computadora (neuralearn.ai)
Para aprender métodos modernos para la visión por computadora:
- Aprendizaje auto-supervisado
- Representación neuronal
- Arquitecturas eficientes
- Operaciones de aprendizaje automático (MLOPS)
- Redes neuronales convolucionales modernas
- Transformadores en la visión
- Despliegue de modelo
? Enlace al curso
Curso de aprendizaje profundo geométrico ammi
Para aprender sobre conceptos en el aprendizaje geométrico profundo:
- Aprendiendo en altas dimensiones
- Antecedentes geométricos
- Rejillas
- Múltiples y mallas
- Secuencias y deformación de tiempo
- ...
? Enlace al curso
Aprendizaje de refuerzo profundo
Para aprender los últimos conceptos en Deep RL:
- Introducción a RL
- Algoritmos RL
- Toma de decisiones secuenciales del mundo real
- Aprendizaje supervisado de comportamientos
- Aprendizaje de imitación profunda
- Funciones de costos y funciones de recompensa
- ...
? Enlace al curso
Serie de conferencias de aprendizaje de refuerzo (DeepMind)
La serie de conferencias de aprendizaje profundo es una colaboración entre Deepmind y el Centro de Inteligencia Artificial de UCL.
- Introducción a RL
- Programación dinámica
- Algoritmos sin modelo
- Aprendizaje de refuerzo profundo
- ...
? Enlace al curso
LLMOPS: construcción de aplicaciones del mundo real con modelos de idiomas grandes
Aprenda a crear un software moderno con LLM utilizando las herramientas y técnicas más nuevas en el campo.
? Enlace al curso
Evaluar y depurar AI generativo
Aprenderás:
- Instrumento un cuaderno de Jupyter
- Administrar la configuración de HyperParameters
- Métricas de registro de registro
- Recopilar artefactos para el conjunto de datos y versiones del modelo
- Resultados del experimento de registro
- Traza indicaciones y respuestas para LLMS
- ...
? Enlace al curso
Chatgpt Ingeniería rápida para desarrolladores
Aprenda a usar un modelo de idioma grande (LLM) para construir rápidamente aplicaciones nuevas y potentes.
? Enlace al curso
Langchain para el desarrollo de aplicaciones LLM
Aprenderás:
- Modelos, aviso y analizador
- Recuerdos para LLMS
- Cadenas
- Pregunta respondiendo sobre documentos
- Agentes
? Enlace al curso
Langchain: chatea con tus datos
Aprenderás sobre:
- Carga de documentos
- División de documentos
- Tiendas vectoriales e incrustaciones
- Recuperación
- Respuesta de preguntas
- Charlar
? Enlace al curso
Sistemas de construcción con la API ChatGPT
Aprenda cómo automatizar flujos de trabajo complejos utilizando llamadas de cadena a un modelo de lenguaje grande.
? Enlace al curso
Bases de datos de Langchain & Vector en producción
Aprenda a usar Langchain y Vector DBS en producción:
- LLMS y Langchain
- Aprender a indicar
- Mantener el conocimiento organizado con índices
- Combinando componentes junto con cadenas
- ...
? Enlace al curso
Construir aplicaciones con alimentación de LLM
Aprenda a construir aplicaciones con alimentación de LLM utilizando API LLM
- Desempaquetando API LLM
- Construyendo una solicitud de base LLM
- Mejorar y optimizar las aplicaciones LLM
- ...
? Enlace al curso
Bootcamp completo de stack llm
Para aprender a construir e implementar aplicaciones con motor LLM:
- Aprender a deletrear: ingeniería rápida
- Llmops
- UX para interfaces de usuarios de idiomas
- Modelos de idiomas aumentados
- Iniciar una aplicación LLM en una hora
- Fundaciones de LLM
- Tutorial del proyecto: Askfsdl
- ...
? Enlace al curso
Aprendizaje profundo de pila completa
Para aprender producción de pila completa Aprendizaje profundo:
- Proyectos de ML
- Infraestructura y herramientas
- Experimento de manejo
- Solución de problemas DNNS
- Gestión de datos
- Etiquetado de datos
- Monitoreo de modelos ML
- Implementación web
- ...
? Enlace al curso
Introducción al aprendizaje profundo y modelos generativos profundos
Cubre los conceptos fundamentales de aprendizaje profundo
- Redes neuronales de una sola capa y descenso de gradiente
- Redes neuronales de múltiples capas y backpropagation
- Redes neuronales convolucionales para imágenes
- Redes neuronales recurrentes para texto
- Autoencoders, autoencoders variacionales y redes adversas generativas
- Networks neural recurrentes y transformadores de codificadores codificadores
- Ejemplos de código de pytorch
? Enlace al curso? Enlace a materiales
Autos autónomos (Tübingen)
Cubre los paradigmas más dominantes de los automóviles autónomos: enfoques modulares basados en tubería, así como técnicas de conducción de extremo a extremo basadas en el aprendizaje profundo.
- Percepción a base de cámara, lidar y radar
- Localización, navegación, planificación de ruta
- Modelado/control de vehículos
- Aprendizaje profundo
- Aprendizaje de imitación
- Aprendizaje de refuerzo
? Enlace al curso
Aprendizaje de refuerzo (Polytechnique Montreal, otoño 2021)
El diseño de sistemas de toma de decisiones autónomos es uno de los objetivos de larga data de la inteligencia artificial. Tales sistemas de toma de decisiones, si se realizan, pueden tener un gran impacto en el aprendizaje automático para la robótica, el juego, el control, el cuidado de la salud, por nombrar algunos. Este curso presenta el aprendizaje de refuerzo como un marco general para diseñar tales sistemas de toma de decisiones autónomos.
- Introducción a RL
- Bandidos múltiples
- Métodos de gradiente de políticas
- Bandidos contextuales
- Proceso de decisión de Markov finito
- Programación dinámica
- Iteración de política, iteración de valor
- Métodos de Monte Carlo
- ...
? Enlace al curso? Enlace a materiales
Fundamentos de Deep RL
Una serie de conguros Mini 6 de Pieter Abbeel.
- MDPS, Métodos de solución exactos, Max-Ent RL
- Profundo Q-learning
- Gradientes de políticas y estimación de ventaja
- TRPO y PPO
- DDPG y SAC
- RL basado en modelos
? Enlace al curso
Stanford CS234: Aprendizaje de refuerzo
Cubre temas de conceptos básicos de aprendizaje de refuerzo a más avanzados:
- Procesos de decisión y planificación de Markov
- Evaluación de políticas sin modelo
- Control sin modelo
- Aprendizaje de refuerzo con aproximación de función y RL profundo
- Búsqueda de políticas
- Exploración
- ...
? Enlace al curso? Enlace a materiales
Stanford CS330: Multitarea profunda y meta aprendizaje
Este es un curso de nivel de posgrado que cubre diferentes aspectos de la tarea profunda y el meta aprendizaje.
- Aprendizaje de varias tareas, transferir conceptos básicos de aprendizaje
- Algoritmos de meta-aprendizaje
- Temas avanzados de meta-learning
- RL de tareas múltiples, RL acondicionado
- Aprendizaje de meta-refuerzo
- RL jerárquico
- Aprendizaje de toda la vida
- Problemas abiertos
? Enlace al curso? Enlace a materiales
MIT Aprendizaje profundo en ciencias de la vida
Un curso que presenta fundamentos de ML para aplicaciones en genómica y las ciencias de la vida de manera más amplia.
- Interpretando modelos de ML
- Accesibilidad al ADN, promotores y potenciadores
- Cromatina y regulación génica
- Expresión génica, empalme
- ARN-seq, empalme
- Secuenciación de ARN de una sola célula
- Reducción de dimensionalidad, genética y variación
- Descubrimiento de drogas
- Predicción de la estructura de proteínas
- Plegamiento de proteínas
- Imágenes y cáncer
- Neurociencia
? Enlace al curso
? Enlace a materiales
Robótica avanzada: UC Berkeley
Este es el curso es de Peter Abbeel y cubre una revisión sobre el aprendizaje de refuerzo y continúa con aplicaciones en robótica.
- MDP: métodos exactos
- Discretización de los MDP de espacio estatal continuo
- Representaciones de aproximación / características de función
- LQR, LQR iterativa / Programación dinámica diferencial
- ...
? Enlace al curso? Enlace a materiales
Comuníquese en Twitter si tiene alguna pregunta.
Si está interesado en contribuir, no dude en abrir un PR con un enlace al curso. Tomará un poco de tiempo, pero tengo planes de hacer muchas cosas con estas conferencias individuales. Podemos resumir las conferencias, incluir notas, proporcionar material de lectura adicional, incluir dificultades de contenido, etc.
Ahora puede encontrar notas del curso de ML aquí.
