Cours YouTube ML
À Dair.ai nous ❤️ ouvrir l'éducation AI. Dans ce dépôt, nous indexons et organisons certains des meilleurs et des cours d'apprentissage automatique les plus récents disponibles sur YouTube.
Apprentissage automatique
- Caltech CS156: apprendre des données
- Stanford CS229: Apprentissage automatique
- Se lier d'amitié avec l'apprentissage automatique
- Apprentissage machine appliqué
- Introduction à l'apprentissage automatique (Tübingen)
- Conférence d'apprentissage automatique (Stefan Harmeling)
- Apprentissage automatique statistique (Tübingen)
- Apprentissage automatique probabiliste
- MIT 6.S897: Machine Learning for Healthcare (2019)
Apprentissage en profondeur
- Réseaux de neurones: zéro au héros
- MIT: Deep Learning pour l'art, l'esthétique et la créativité
- Stanford CS230: Deep Learning (2018)
- Introduction à l'apprentissage en profondeur (MIT)
- CMU Introduction à l'apprentissage en profondeur (11-785)
- Apprentissage en profondeur: CS 182
- Apprentissage non supervisé profond
- NYU Deep Learning SP21
- Modèles de fondation
- Deep Learning (Tübingen)
Apprentissage machine scientifique
- Informatique parallèle et apprentissage automatique scientifique
Apprentissage automatique
- LLMOPS: Construire des applications du monde réel avec des modèles de grande langue
- Évaluation et débogage de l'IA générative
- ChatGpt Insidering pour les développeurs
- Langchain pour le développement des applications LLM
- Langchain: discutez avec vos données
- Systèmes de construction avec l'API Chatgpt
- Bases de données Langchain & Vector en production
- Building applications à propulsion LLM
- Bootcamp LLM de pile complet
- Apprentissage en profondeur complète
- Apprentissage en profondeur pratique pour les codeurs
- Séminaires de Stanford MLSYS
- Génie de l'apprentissage automatique pour la production (MOPL)
- Introduction du MIT à l'IA centrée sur les données
Traitement du langage naturel
- XCS224U: compréhension du langage naturel (2023)
- Stanford CS25 - Transformers United
- Cours PNL (visage étreint)
- CS224N: Traitement du langage naturel avec apprentissage en profondeur
- Réseaux de neurones CMU pour PNL
- CS224U: compréhension du langage naturel
- CMU Advanced NLP 2021/2022/2024
- PNL multilingue
- PNL avancé
Vision par ordinateur
- CS231N: Réseaux de neurones convolutionnels pour la reconnaissance visuelle
- Apprentissage en profondeur pour la vision par ordinateur
- Deep Learning for Computer Vision (DL4CV)
- Deep Learning for Computer Vision (Neuralarn.ai)
Apprentissage du renforcement
- Apprentissage en renforcement profond
- Série de conférences d'apprentissage en renforcement (DeepMind)
- Apprentissage par renforcement (Polytechnique Montréal, automne 2021)
- Fondements de Deep RL
- Stanford CS234: apprentissage du renforcement
Graphique d'apprentissage
- Apprentissage automatique avec des graphiques (Stanford)
- Cours d'apprentissage en profondeur géométrique AMMI
Apprentissage multi-tâches
- Multi-tâches et méta-learning (Stanford)
Autres
- MIT Deep Learning in Life Sciences
- Voitures autonomes (Tübingen)
- Robotique avancée (Berkeley)
Caltech CS156: apprendre des données
Un cours d'introduction dans l'apprentissage automatique qui couvre la théorie de base, les algorithmes et les applications.
- Conférence 1: Le problème d'apprentissage
- Conférence 2: L'apprentissage est-il possible?
- Conférence 3: Le modèle linéaire I
- Conférence 4: erreur et bruit
- Conférence 5: Formation contre test
- Conférence 6: Théorie de la généralisation
- Conférence 7: La dimension VC
- Conférence 8: compromis de vanaise biais
- Conférence 9: Le modèle linéaire II
- Conférence 10: Réseaux de neurones
- Conférence 11: sur-ajustement
- Conférence 12: régularisation
- Conférence 13: validation
- Conférence 14: Machines vectorielles de support
- Conférence 15: Méthodes du noyau
- Conférence 16: fonctions de base radiale
- Conférence 17: Trois principes d'apprentissage
- Conférence 18: épilogue
? Lien vers le cours
Stanford CS229: Apprentissage automatique
Pour apprendre certaines des bases de ML:
- Régression linéaire et descente de gradient
- Régression logistique
- Bayes naïf
- SVM
- Graines
- Arbres de décision
- Introduction aux réseaux de neurones
- Débogage des modèles ML ...
? Lien vers le cours
Se lier d'amitié avec l'apprentissage automatique
Une série de mini-conférences couvrant divers sujets d'introduction en ML:
- Explicabilité dans l'IA
- Classification vs régression
- Précession vs rappel
- Signification statistique
- Clustering et k-means
- Modèles d'ensemble ...
? Lien vers le cours
Réseaux de neurones: Zero to Hero (par Andrej Karpathy)
Cours offrant un aperçu approfondi des réseaux de neurones.
- Étalon
- Introduction orthographique à la modélisation du langage
- Activation et gradients
- Devenir un ninja à rétroprop
? Lien vers le cours
MIT: Deep Learning pour l'art, l'esthétique et la créativité
Couvre l'application de l'apprentissage en profondeur pour l'art, l'esthétique et la créativité.
- Nostalgie -> Art -> Créativité -> L'évolution comme données + direction
- Gans efficace
- Explorations en IA pour la créativité
- Abstractions neuronales
- Création de contenu 3D facile avec des champs de neurones cohérents ...
? Lien vers le cours
Stanford CS230: Deep Learning (2018)
Couvre les fondements de l'apprentissage en profondeur, comment construire différents réseaux de neurones (CNNS, RNNS, LSTMS, etc ...), comment diriger des projets d'apprentissage automatique et des conseils de carrière pour les praticiens de l'apprentissage en profondeur.
- Intuition en profondeur
- Exemples contradictoires - Gans
- À cycle complet d'un projet d'apprentissage en profondeur
- IA et soins de santé
- Stratégie d'apprentissage en profondeur
- Interprétabilité des réseaux de neurones
- Documents de recherche de conseils et de lecture de carrière
- Apprentissage en renforcement profond
? Lien vers le cours? Lien vers les matériaux
Apprentissage machine appliqué
Pour apprendre certaines des techniques les plus utilisées en ML:
- Optimisation et calcul
- Sur-ajustement et sous-ajustement
- Régularisation
- Estimation de Monte Carlo
- Apprentissage du maximum de vraisemblance
- Voisins les plus proches
- ...
? Lien vers le cours
Introduction à l'apprentissage automatique (Tübingen)
Le cours sert d'introduction de base à l'apprentissage automatique et couvre les concepts clés de la régression, de la classification, de l'optimisation, de la régularisation, du regroupement et de la réduction de la dimensionnalité.
- Régression linéaire
- Régression logistique
- Régularisation
- Renforcement
- Réseaux neuronaux
- PCA
- Regroupement
- ...
? Lien vers le cours
Conférence d'apprentissage automatique (Stefan Harmeling)
Couvre de nombreux concepts ML fondamentaux:
- Règle de Bayes
- De la logique aux probabilités
- Distribution
- Calcul différentiel de la matrice
- PCA
- K-means et em
- Causalité
- Processus gaussiens
- ...
? Lien vers le cours
Apprentissage automatique statistique (Tübingen)
Le cours couvre les paradigmes et les algorithmes standard dans l'apprentissage automatique statistique.
- Knn
- Théorie de la décision bayésienne
- Optimisation convexe
- Régression linéaire et crête
- Régression logistique
- SVM
- Forêts aléatoires
- Renforcement
- PCA
- Regroupement
- ...
? Lien vers le cours
Apprentissage en profondeur pratique pour les codeurs
Ce cours couvre des sujets tels que comment:
- Construire et former des modèles d'apprentissage en profondeur pour la vision par ordinateur, le traitement du langage naturel, l'analyse tabulaire et les problèmes de filtrage collaboratif
- Créer des forêts et des modèles de régression aléatoires
- Déployer des modèles
- Utilisez Pytorch, les logiciels d'apprentissage en profondeur à la croissance la plus rapide au monde, ainsi que des bibliothèques populaires comme Fastai et des câlins
- Fondations et plongée profonde aux modèles de diffusion
- ...
? Lien vers le cours - Partie 1
? Lien vers le cours - Partie 2
Séminaires de Stanford MLSYS
Une série de séminaires sur toutes sortes de sujets liés à la construction de systèmes d'apprentissage automatique.
? Lien vers des conférences
Génie de l'apprentissage automatique pour la production (MOPL)
Cours de spécialisation sur MOPLS par Andrew Ng.
? Lien vers des conférences
Introduction du MIT à l'IA centrée sur les données
Couvre la science émergente de l'IA centrée sur les données (DCAI) qui étudie les techniques pour améliorer les ensembles de données, ce qui est souvent le meilleur moyen d'améliorer les performances dans les applications ML pratiques. Les sujets comprennent:
- AI centrée sur les données vs IA centrée sur le modèle
- Étiqueter les erreurs
- Création et conservation de l'ensemble de données
- Évaluation centrée sur les données des modèles ML
- Déséquilibre de classe, valeurs aberrantes et changement de distribution
- ...
? Site Web de cours
? Vidéos de conférences
? Affectations de laboratoire
Apprentissage automatique avec des graphiques (Stanford)
Pour apprendre certaines des dernières techniques de graphiques de l'apprentissage automatique:
- Pagerank
- Matrice factorisante
- Intégres nœud
- Graphique des réseaux de neurones
- Graphiques de connaissances
- Modèles génératifs profonds pour les graphiques
- ...
? Lien vers le cours
Apprentissage automatique probabiliste
Pour apprendre le paradigme probabiliste de ML:
- Raisonnement sur l'incertitude
- Variables continues
- Échantillonnage
- Markov Chain Monte Carlo
- Distributions gaussiennes
- Modèles graphiques
- Réglage des algorithmes d'inférence
- ...
? Lien vers le cours
MIT 6.S897: Machine Learning for Healthcare (2019)
Ce cours présente aux étudiants l'apprentissage automatique dans les soins de santé, notamment la nature des données cliniques et l'utilisation de l'apprentissage automatique pour la stratification des risques, la modélisation de la progression de la maladie, la médecine de précision, le diagnostic, la découverte de sous-types et l'amélioration des flux de travail cliniques.
? Lien vers le cours
Introduction à l'apprentissage en profondeur
Pour apprendre certains des principes fondamentaux de l'apprentissage en profondeur:
- Introduction à l'apprentissage en profondeur
? Lien vers le cours
CMU Introduction à l'apprentissage en profondeur (11-785)
Le cours commence progressivement à partir des MLP (perceptrons multi-couches), puis progresse dans des concepts comme l'attention et les modèles de séquence à la séquence.
? Lien vers le cours
? Conférences
? Tutoriels / récitations
Apprentissage en profondeur: CS 182
Pour apprendre certaines des techniques largement utilisées dans l'apprentissage en profondeur:
- Bases d'apprentissage automatique
- Analyse des erreurs
- Optimisation
- Étalon
- Initialisation
- Normalisation par lots
- Transfert de style
- Imitation Apprentissage
- ...
? Lien vers le cours
Apprentissage non supervisé profond
Pour apprendre les techniques les plus récentes et les plus utilisées dans l'apprentissage non supervisé profond:
- Modèles autorégressifs
- Modèles de flux
- Modèles variables latentes
- Apprentissage auto-supervisé
- Modèles implicites
- Compression
- ...
? Lien vers le cours
NYU Deep Learning SP21
Pour apprendre certaines des techniques avancées de l'apprentissage en profondeur:
- NEURS NEURALS: rotation et écrasement
- Modèles basés sur l'énergie variable latente
- Apprentissage non surveillé
- Réseaux adversaires génératifs
- Autoencoders
- ...
? Lien vers le cours
Modèles de fondation
Pour en savoir plus sur les modèles de fondation comme GPT-3, Clip, Flamingo, Codex et Dino.
? Lien vers le cours
Deep Learning (Tübingen)
Ce cours présente les principes pratiques et théoriques des réseaux de neurones profonds.
- Graphiques de calcul
- Fonctions d'activation et fonctions de perte
- Formation, régularisation et augmentation des données
- Architectures de réseaux neuronaux de base et à la pointe de la technologie, y compris les réseaux convolutionnels et les réseaux de neurones graphiques
- Des modèles génératifs profonds tels que les autocodeurs, les autocodeurs variationnels et les réseaux adversaires génératifs
- ...
? Lien vers le cours
Informatique parallèle et apprentissage automatique scientifique
- Les bases des simulateurs scientifiques
- Introduction à l'informatique parallèle
- Dynamique continue
- Problèmes inverses et programmation différenciable
- Informatique parallèle distribuée
- Réseaux de neurones informés en physique et équations différentielles neuronales
- Programmation probabiliste, AKA Estimation bayésienne sur les programmes
- Mondialiser la compréhension des modèles
? Lien vers le cours
XCS224U: compréhension du langage naturel (2023)
Ce cours couvre des sujets tels que:
- Représentations de mots contextuels
- Récupération d'informations
- Apprentissage en contexte
- Évaluation comportementale des modèles NLU
- Méthodes et mesures PNL
- ...
? Lien vers le cours
Stanford CS25 - Transformers United
Ce cours se compose de conférences axées sur les transformateurs, fournissant une plongée profonde et leurs applications
- Introduction aux transformateurs
- Transformers in Language: GPT-3, Codex
- Applications de vision
- Transformers dans les moteurs RL & Universal Calcul
- Transformateurs à l'échelle
- Interprétabilité avec transformateurs
- ...
? Lien vers le cours
Cours PNL (visage étreint)
Découvrez différents concepts de PNL et comment appliquer les modèles de langage et les transformateurs à la PNL:
- Qu'est-ce que l'apprentissage du transfert?
- Tokenisation BPE
- Entrées par abattage
- Modèles de réglage fin
- Texte intégrés et recherche sémantique
- Évaluation du modèle
- ...
? Lien vers le cours
CS224N: Traitement du langage naturel avec apprentissage en profondeur
Pour apprendre les dernières approches pour la PNL basée sur l'apprentissage en profondeur:
- Analyse de dépendance
- Modèles de langue et RNN
- Question Répondre
- Transformateurs et pré-formation
- Génération de langage naturel
- T5 et grands modèles de langue
- Avenir de la PNL
- ...
? Lien vers le cours
Réseaux de neurones CMU pour PNL
Pour apprendre les dernières techniques basées sur le réseau de neurones pour la PNL:
- Modélisation des langues
- Astuces d'efficacité
- Génération conditionnée
- Prédiction structurée
- Interprétation du modèle
- Algorithmes de recherche avancés
- ...
? Lien vers le cours
CS224U: compréhension du langage naturel
Pour apprendre les derniers concepts de la compréhension du langage naturel:
- Compréhension du langage fondé
- Extraction de relation
- Inférence du langage naturel (NLI)
- NLU et extraction des informations neuronales
- Tests adversaires
- ...
? Lien vers le cours
CMU PNL avancé
Pour apprendre:
- Bases des techniques de PNL modernes
- Multi-tâches, multi-domaines, apprentissage multilingue
- Provoquer + pré-formation de séquence à séquence
- Interpréter et déboguer les modèles de PNL
- Apprendre des bases de connaissances
- Apprentissage contradictoire
- ...
? Lien vers 2021 édition
? Lien vers 2022 édition
? Lien vers 2024 édition
PNL multilingue
Pour apprendre les derniers concepts pour faire des PNL multilingues:
- Typologie
- Mots, partie de la parole et de la morphologie
- Classification de texte avancée
- Traduction automatique
- Augmentation des données pour MT
- ASR à faible ressource
- Apprentissage actif
- ...
? Lien vers 2020 cours
? Lien vers 2022 cours
PNL avancé
Pour apprendre des concepts avancés dans la PNL:
- Mécanismes d'attention
- Transformateurs
- Bert
- Question Répondre
- Distillation du modèle
- Vision + langue
- Éthique dans la PNL
- Raisonnement de bon sens
- ...
? Lien vers le cours
CS231N: Réseaux de neurones convolutionnels pour la reconnaissance visuelle
Le célèbre cours CS231N de Stanford. Les vidéos ne sont disponibles que pour le semestre du printemps 2017. Le cours est actuellement connu sous le nom de Deep Learning for Computer Vision, mais la version printemps 2017 est intitulée Réseaux de neurones convolutionnels pour la reconnaissance visuelle.
- Classification d'image
- Fonctions de perte et optimisation
- Introduction aux réseaux de neurones
- Réseaux de neurones convolutionnels
- Formation des réseaux de neurones
- Logiciel d'apprentissage en profondeur
- Architectures CNN
- Réseaux de neurones récurrents
- Détection et segmentation
- Visualiser et comprendre
- Modèles génératifs
- Apprentissage en renforcement profond
? Lien vers le cours? Lien vers les matériaux
Apprentissage en profondeur pour la vision par ordinateur
Pour apprendre certains des concepts fondamentaux de CV:
- Introduction à l'apprentissage en profondeur pour CV
- Classification d'image
- Réseaux convolutionnels
- Réseaux d'attention
- Détection et segmentation
- Modèles génératifs
? Lien vers le cours
Deep Learning for Computer Vision (DL4CV)
Pour apprendre les méthodes modernes de vision par ordinateur:
- CNNS
- Pytorch avancé
- Comprendre les réseaux de neurones
- RNN, attention et vites
- Modèles génératifs
- Fondamentaux GPU
- Autonome
- Rendu neuronal
- Architectures efficaces
? Lien vers le cours
Deep Learning for Computer Vision (Neuralarn.ai)
Pour apprendre les méthodes modernes de vision par ordinateur:
- Apprentissage auto-supervisé
- Rendu neuronal
- Architectures efficaces
- Opérations d'apprentissage automatique (MLOPS)
- Réseaux de neurones convolutionnels modernes
- Transformateurs dans la vision
- Déploiement de modèle
? Lien vers le cours
Cours d'apprentissage en profondeur géométrique AMMI
Pour en savoir plus sur les concepts de l'apprentissage en profondeur géométrique:
- Apprendre en dimensions élevées
- Priors géométriques
- Grilles
- Mélanges et mailles
- Séquences et déformation du temps
- ...
? Lien vers le cours
Apprentissage en renforcement profond
Pour apprendre les derniers concepts de Deep RL:
- Introduction à RL
- Algorithmes RL
- Prise de décision séquentielle du monde réel
- Apprentissage supervisé des comportements
- Apprentissage de l'imitation profonde
- Fonctions de coût et fonctions de récompense
- ...
? Lien vers le cours
Série de conférences d'apprentissage en renforcement (DeepMind)
La série de conférences Deep Learning est une collaboration entre DeepMind et l'UCL Center for Artificial Intelligence.
- Introduction à RL
- Programmation dynamique
- Algorithmes sans modèle
- Apprentissage en renforcement profond
- ...
? Lien vers le cours
LLMOPS: Construire des applications du monde réel avec des modèles de grande langue
Apprenez à créer des logiciels modernes avec des LLM en utilisant les nouveaux outils et techniques dans le domaine.
? Lien vers le cours
Évaluation et débogage de l'IA générative
Vous apprendrez:
- Instrument un cahier Jupyter
- Gérer la configuration des hyperparamètres
- Métriques du journal
- Collectez des artefacts pour l'ensemble de données et le versioning modèle
- Résultats de l'expérience logarithmique
- Trace des invites et des réponses pour les LLM
- ...
? Lien vers le cours
ChatGpt Insidering pour les développeurs
Apprenez à utiliser un modèle grand langage (LLM) pour créer rapidement des applications nouvelles et puissantes.
? Lien vers le cours
Langchain pour le développement des applications LLM
Vous apprendrez:
- Modèles, invite et analyseurs
- Souvenirs pour LLMS
- Chaînes
- Question répondant aux documents
- Agents
? Lien vers le cours
Langchain: discutez avec vos données
Vous apprendrez sur:
- Chargement de documents
- Division des documents
- Magasins vectoriels et intégres
- Récupération
- Question Répondre
- Chat
? Lien vers le cours
Systèmes de construction avec l'API Chatgpt
Apprenez à automatiser des workflows complexes à l'aide d'appels de chaîne vers un modèle de langue large.
? Lien vers le cours
Bases de données Langchain & Vector en production
Apprenez à utiliser Langchain et Vector DBS en production:
- LLMS et Langchain
- Apprendre à inviter
- Garder les connaissances organisées avec des indices
- Combinant des composants avec des chaînes
- ...
? Lien vers le cours
Building applications à propulsion LLM
Apprenez à créer des applications LLM à l'aide d'API LLM
- API LLM de déballage
- Construire une application LLM de base
- Amélioration et optimisation des applications LLM
- ...
? Lien vers le cours
Bootcamp LLM de pile complet
Pour apprendre à créer et à déployer des applications alimentées par LLM:
- Apprenez à épeler: ingénierie rapide
- Llmops
- UX pour les interfaces utilisateur de langue
- Modèles de langue augmentée
- Lancez une application LLM en une heure
- Fondations LLM
- Projeté pas à pas: Askfsdl
- ...
? Lien vers le cours
Apprentissage en profondeur complète
Pour apprendre l'apprentissage en profondeur de la production complète:
- Projets ML
- Infrastructure et outillage
- Gestion des expériences
- Dépannage DNNS
- Gestion des données
- Étiquetage des données
- Surveillance des modèles ML
- Déploiement Web
- ...
? Lien vers le cours
Introduction à l'apprentissage en profondeur et aux modèles génératifs profonds
Couvre les concepts fondamentaux de l'apprentissage en profondeur
- Réseaux de neurones monocouches et descente de gradient
- Réseaux de neurones à plusieurs couches et rétro-compatirations
- Réseaux de neurones convolutionnels pour images
- Réseaux de neurones récurrents pour le texte
- Autoencoders, autoencoders variationnels et réseaux adversaires génératifs
- Coder-décodeur Réseaux de neurones et transformateurs récurrents
- Exemples de code pytorch
? Lien vers le cours? Lien vers les matériaux
Voitures autonomes (Tübingen)
Couvre les paradigmes les plus dominants des voitures autonomes: les approches modulaires basées sur des pipelines ainsi que les techniques de conduite de bout en bout basées sur l'apprentissage en profondeur.
- Perception de la caméra, du lidar et du radar
- Localisation, navigation, planification des chemins
- Modélisation / contrôle des véhicules
- Apprentissage en profondeur
- Imitation Apprentissage
- Apprentissage du renforcement
? Lien vers le cours
Apprentissage par renforcement (Polytechnique Montréal, automne 2021)
La conception de systèmes de prise de décision autonome est l'un des objectifs de longue date de l'intelligence artificielle. De tels systèmes de prise de décision, s'ils sont réalisés, peuvent avoir un grand impact sur l'apprentissage automatique pour la robotique, le jeu, le contrôle, les soins de santé pour n'en nommer que quelques-uns. Ce cours introduit l'apprentissage du renforcement comme un cadre général pour concevoir ces systèmes de prise de décision autonomes.
- Introduction à RL
- Bandits multi-armés
- Méthodes de gradient de politique
- Bandits contextuels
- Processus de décision fini de Markov
- Programmation dynamique
- Itération politique, itération de la valeur
- Méthodes Monte Carlo
- ...
? Lien vers le cours? Lien vers les matériaux
Fondements de Deep RL
Une mini série de 6 conceptions par Pieter Abbeel.
- MDPS, méthodes de solution exactes, RL max-ent
- Approche du Q-Learning
- Gradients de politique et estimation des avantages
- Trpo et ppo
- DDPG et SAC
- RL basé sur un modèle
? Lien vers le cours
Stanford CS234: apprentissage du renforcement
Couvre des sujets des concepts de base de l'apprentissage du renforcement à des concepts de base à des concepts plus avancés:
- Processus de décision et planification de Markov
- Évaluation des politiques sans modèle
- Contrôle sans modèle
- Apprentissage du renforcement avec approximation de la fonction et RL Deep
- Recherche de stratégie
- Exploration
- ...
? Lien vers le cours? Lien vers les matériaux
Stanford CS330: Multi-tâches profondes et méta-apprentissage
Il s'agit d'un cours de niveau supérieur couvrant différents aspects de l'apprentissage profond multi-tâches et de méta.
- Apprentissage multi-tâches, bases d'apprentissage du transfert
- Algorithmes de méta-apprentissage
- Sujets avancés de méta-apprentissage
- RL multi-tâches, RL conditionné par des objectifs
- Apprentissage des méta-renforts
- RL hiérarchique
- Apprentissage tout au long de la vie
- Problèmes ouverts
? Lien vers le cours? Lien vers les matériaux
MIT Deep Learning in Life Sciences
Un cours introduisant les fondements de la ML pour les applications en génomique et les sciences de la vie plus largement.
- Interprétation des modèles ML
- Accessibilité à l'ADN, promoteurs et améliorateurs
- Régulation de la chromatine et des gènes
- Expression génique, épissage
- RNA-seq, épissage
- Séquençage d'ARN unique
- Réduction de la dimensionnalité, génétique et variation
- Découverte de médicaments
- Prédiction de la structure des protéines
- Pliage des protéines
- Imagerie et cancer
- Neuroscience
? Lien vers le cours
? Lien vers les matériaux
Robotique avancée: UC Berkeley
Ce cours provient de Peter Abbeel et couvre un examen de l'apprentissage du renforcement et continue des applications en robotique.
- MDPS: méthodes exactes
- Discrétisation des MDP de l'espace d'état continu
- Approximation de fonction / représentations basées sur les fonctionnalités
- LQR, Programmation dynamique itérative LQR / différentiel
- ...
? Lien vers le cours? Lien vers les matériaux
Contactez Twitter si vous avez des questions.
Si vous êtes intéressé à contribuer, n'hésitez pas à ouvrir un RP avec un lien vers le cours. Cela prendra un peu de temps, mais j'ai l'intention de faire beaucoup de choses avec ces conférences individuelles. Nous pouvons résumer les conférences, inclure des notes, fournir du matériel de lecture supplémentaire, inclure la difficulté de contenu, etc.
Vous pouvez maintenant trouver des notes de cours ML ici.
