ML Cursos do YouTube
No Dair.ai, nós ❤ ❤ ❤ Aberto da IA Educação. Neste repositório, indexamos e organizamos alguns dos melhores e mais recentes cursos de aprendizado de máquina disponíveis no YouTube.
Aprendizado de máquina
- Caltech CS156: Aprendendo com os dados
- Stanford CS229: aprendizado de máquina
- Fazendo amizade com o aprendizado de máquina
- Aprendizado de máquina aplicado
- Introdução ao aprendizado de máquina (Tübingen)
- Palestra de aprendizado de máquina (Harmeling Stefan)
- Aprendizado de máquina estatística (Tübingen)
- Aprendizado de máquina probabilístico
- MIT 6.S897: Machine Learning for Healthcare (2019)
Aprendizado profundo
- Redes neurais: zero para herói
- MIT: aprendizado profundo para arte, estética e criatividade
- Stanford CS230: Deep Learning (2018)
- Introdução ao Deep Learning (MIT)
- Introdução da CMU ao Deep Learning (11-785)
- Aprendizagem profunda: CS 182
- Aprendizado profundo sem supervisão
- NYU Aprendizagem Deep Sp21
- Modelos de fundação
- Aprendizagem profunda (Tübingen)
Aprendizado de máquina científica
- Computação paralela e aprendizado de máquina científica
Aprendizado prático de máquina
- LLMOPS: Construindo aplicativos do mundo real com grandes modelos de idiomas
- Avaliação e depuração da IA generativa
- Chatgpt Prompt Engineering for Developers
- Langchain para o desenvolvimento de aplicativos LLM
- Langchain: converse com seus dados
- Construindo sistemas com a API ChatGPT
- Bancos de dados Langchain e Vector na produção
- Aplicativos movidos a Building LLM
- Full Stack LLM Bootcamp
- Aprendizagem profunda da pilha completa
- Aprendizado profundo prático para codificadores
- Seminários de Stanford MLSYs
- Engenharia de aprendizado de máquina para produção (MLOPS)
- Introdução ao MIT à IA centrada em dados
Processamento de linguagem natural
- XCS224U: Entendimento de linguagem natural (2023)
- Stanford CS25 - Transformers United
- Curso de PNL (rosto abraçando)
- CS224N: Processamento de linguagem natural com aprendizado profundo
- Redes neurais da CMU para NLP
- CS224U: entendimento da linguagem natural
- CMU avançado NLP 2021/2022/2024
- NLP multilíngue
- NLP avançado
Visão computacional
- CS231N: redes neurais convolucionais para reconhecimento visual
- Aprendizagem profunda para visão computacional
- Aprendizagem profunda para visão computacional (DL4CV)
- Aprendizagem profunda para visão computacional (neuralearn.ai)
Aprendizagem de reforço
- Aprendizagem de reforço profundo
- Série de palestras de aprendizado de reforço (DeepMind)
- Aprendizagem de reforço (Polytechnique Montreal, outono de 2021)
- Fundamentos de RL profundo
- Stanford CS234: Aprendizagem de reforço
Aprendizado com máquina de gráfico
- Aprendizado de máquina com gráficos (Stanford)
- Curso de aprendizado profundo de ammi
Aprendizado de várias tarefas
- Multitarefa e meta-aprendizagem (Stanford)
Outros
- MIT Aprendizagem profunda em ciências da vida
- Carros autônomos (Tübingen)
- Robótica avançada (Berkeley)
Caltech CS156: Aprendendo com os dados
Um curso introdutório de aprendizado de máquina que abrange a teoria básica, algoritmos e aplicações.
- Palestra 1: o problema de aprendizado
- Palestra 2: O aprendizado é viável?
- Palestra 3: O Modelo Linear I
- Palestra 4: Erro e ruído
- Palestra 5: Treinamento versus teste
- Palestra 6: Teoria da generalização
- Palestra 7: A dimensão VC
- Palestra 8: Tradeoff de viés-variação
- Palestra 9: O Modelo Linear II
- Palestra 10: Redes Neurais
- Palestra 11: Excesso de ajuste
- Palestra 12: regularização
- Palestra 13: Validação
- Palestra 14: Máquinas vetoriais de suporte
- Palestra 15: Métodos do kernel
- Palestra 16: Funções de Base Radial
- Palestra 17: três princípios de aprendizado
- Palestra 18: Epílogo
? Link para o curso
Stanford CS229: aprendizado de máquina
Para aprender parte do básico do ML:
- Regressão linear e descida de gradiente
- Regressão logística
- Bayes ingênuo
- Svms
- Kernels
- Árvores de decisão
- Introdução às redes neurais
- Debugando Modelos ML ...
? Link para o curso
Fazendo amizade com o aprendizado de máquina
Uma série de mini palestras cobrindo vários tópicos introdutórios no ML:
- Explicação na IA
- Classificação vs. Regressão
- Precessão vs. Recall
- Significância estatística
- Agrupamento e k-means
- Modelos de conjunto ...
? Link para o curso
Redes neurais: zero a herói (por Andrej Karpathy)
Curso, fornecendo uma visão geral detalhada das redes neurais.
- Backpropagation
- Introdução soletrada para modelagem de idiomas
- Ativação e gradientes
- Tornando -se um ninja de backprop
? Link para o curso
MIT: aprendizado profundo para arte, estética e criatividade
Abrange a aplicação de aprendizado profundo para arte, estética e criatividade.
- Nostalgia -> Art -> Criatividade -> Evolução como Dados + Direção
- Gans eficientes
- Explorações na IA para a criatividade
- Abstrações neurais
- Criação de conteúdo 3D fácil com campos neurais consistentes ...
? Link para o curso
Stanford CS230: Deep Learning (2018)
Abrange os fundamentos da aprendizagem profunda, como construir diferentes redes neurais (CNNs, RNNs, LSTMs, etc ...), como liderar projetos de aprendizado de máquina e conselhos de carreira para profissionais de aprendizagem profunda.
- Intuição de aprendizado profundo
- Exemplos adversários - Gans
- Ciclo completo de um projeto de aprendizado profundo
- AI e saúde
- Estratégia de aprendizado profundo
- Interpretabilidade das redes neurais
- Conselhos de carreira e leitura de trabalhos de pesquisa
- Aprendizagem de reforço profundo
? Link para o curso? Link para materiais
Aprendizado de máquina aplicado
Para aprender algumas das técnicas mais usadas no ML:
- Otimização e cálculo
- Excedente de ajuste e subjuste
- Regularização
- Estimativa de Monte Carlo
- Aprendizagem de máxima verossimilhança
- Vizinhos mais próximos
- ...
? Link para o curso
Introdução ao aprendizado de máquina (Tübingen)
O curso serve como uma introdução básica ao aprendizado de máquina e abrange conceitos -chave em regressão, classificação, otimização, regularização, agrupamento e redução de dimensionalidade.
- Regressão linear
- Regressão logística
- Regularização
- Impulsionando
- Redes neurais
- PCA
- Clustering
- ...
? Link para o curso
Palestra de aprendizado de máquina (Harmeling Stefan)
Abrange muitos conceitos fundamentais de ML:
- Regra de Bayes
- Da lógica às probabilidades
- Distribuições
- Cálculo diferencial da matriz
- PCA
- K-Means e Em
- Causalidade
- Processos gaussianos
- ...
? Link para o curso
Aprendizado de máquina estatística (Tübingen)
O curso abrange os paradigmas e algoritmos padrão no aprendizado de máquina estatística.
- Knn
- Teoria da decisão bayesiana
- Otimização convexa
- Regressão linear e cume
- Regressão logística
- Svm
- Florestas aleatórias
- Impulsionando
- PCA
- Clustering
- ...
? Link para o curso
Aprendizado profundo prático para codificadores
Este curso abrange tópicos como como:
- Construir e treinar modelos de aprendizado profundo para visão computacional, processamento de linguagem natural, análise tabular e problemas de filtragem colaborativa
- Crie florestas aleatórias e modelos de regressão
- Implantar modelos
- Use Pytorch, o software de aprendizado profundo que mais cresce no mundo, além de bibliotecas populares como Fastai e Hugging Face
- Fundações e mergulho profundo em modelos de difusão
- ...
? Link para o curso - Parte 1
? Link para o curso - Parte 2
Seminários de Stanford MLSYs
Uma série de seminários sobre todos os tipos de tópicos relacionados à construção de sistemas de aprendizado de máquina.
? Link para palestras
Engenharia de aprendizado de máquina para produção (MLOPS)
Curso de especialização sobre Mlops de Andrew Ng.
? Link para palestras
Introdução ao MIT à IA centrada em dados
Abrange a ciência emergente da IA centrada em dados (DCAI) que estuda técnicas para melhorar os conjuntos de dados, o que geralmente é a melhor maneira de melhorar o desempenho em aplicações práticas de ML. Os tópicos incluem:
- AI centrada em dados versus IA centrada no modelo
- Erros de etiqueta
- Criação e curadoria do conjunto de dados
- Avaliação centrada em dados de modelos de ML
- Desequilíbrio de classe, outliers e mudança de distribuição
- ...
? Site do curso
? Vídeos de palestras
? Atribuições de laboratório
Aprendizado de máquina com gráficos (Stanford)
Para aprender algumas das mais recentes técnicas de gráfico no aprendizado de máquina:
- PageRank
- Faturização da matriz
- Nó incorporam
- Redes neurais gráficas
- Gráficos de conhecimento
- Modelos generativos profundos para gráficos
- ...
? Link para o curso
Aprendizado de máquina probabilístico
Para aprender o paradigma probabilístico de ML:
- Raciocínio sobre incerteza
- Variáveis contínuas
- Amostragem
- Markov Chain Monte Carlo
- Distribuições gaussianas
- Modelos gráficos
- Algoritmos de inferência de ajuste
- ...
? Link para o curso
MIT 6.S897: Machine Learning for Healthcare (2019)
Este curso apresenta aos alunos o aprendizado de máquina nos cuidados de saúde, incluindo a natureza dos dados clínicos e o uso do aprendizado de máquina para estratificação de risco, modelagem de progressão da doença, medicina de precisão, diagnóstico, descoberta de subtipo e melhoria dos fluxos de trabalho clínicos.
? Link para o curso
Introdução ao aprendizado profundo
Para aprender alguns dos fundamentos da aprendizagem profunda:
- Introdução ao aprendizado profundo
? Link para o curso
Introdução da CMU ao Deep Learning (11-785)
O curso começa gradualmente a partir de MLPs (perceptrons de várias camadas) e depois progride em conceitos como atenção e modelos de sequência a sequência.
? Link para o curso
? Palestras
? Tutoriais/recitações
Aprendizagem profunda: CS 182
Para aprender algumas das técnicas amplamente usadas no aprendizado profundo:
- Machine Learning Basics
- Análise de erros
- Otimização
- Backpropagation
- Inicialização
- Normalização em lote
- Transferência de estilo
- Aprendizagem de imitação
- ...
? Link para o curso
Aprendizado profundo sem supervisão
Para aprender as técnicas mais recentes e amplamente usadas em profundo aprendizado não supervisionado:
- Modelos autoregressivos
- Modelos de fluxo
- Modelos variáveis latentes
- Aprendizado auto-supervisionado
- Modelos implícitos
- Compressão
- ...
? Link para o curso
NYU Aprendizagem Deep Sp21
Para aprender algumas das técnicas avançadas no aprendizado profundo:
- Redes neurais: rotação e esmagamento
- Modelos latentes baseados em energia variável
- Aprendizado não supervisionado
- Redes adversárias generativas
- AutoEncoders
- ...
? Link para o curso
Modelos de fundação
Para aprender sobre modelos de fundação como GPT-3, Clip, Flamingo, Codex e Dino.
? Link para o curso
Aprendizagem profunda (Tübingen)
Este curso apresenta os princípios práticos e teóricos das redes neurais profundas.
- Gráficos de computação
- Funções de ativação e funções de perda
- Treinamento, regularização e aumento de dados
- Arquiteturas de redes neurais profundas básicas e de última geração, incluindo redes convolucionais e redes neurais gráficas
- Modelos generativos profundos, como codificadores de automóveis, codificadores de auto-codificadores variacionais e redes adversárias generativas
- ...
? Link para o curso
Computação paralela e aprendizado de máquina científica
- O básico dos simuladores científicos
- Introdução à computação paralela
- Dinâmica contínua
- Problemas inversos e programação diferenciável
- Computação paralela distribuída
- Redes neurais informadas por física e equações diferenciais neurais
- Programação probabilística, também conhecida como estimativa bayesiana em programas
- Globalizando o entendimento dos modelos
? Link para o curso
XCS224U: Entendimento de linguagem natural (2023)
Este curso abrange tópicos como:
- Representações contextuais de palavras
- Recuperação de informações
- Aprendizagem no contexto
- Avaliação comportamental dos modelos NLU
- Métodos de PNL e métricas
- ...
? Link para o curso
Stanford CS25 - Transformers United
Este curso consiste em palestras focadas em transformadores, proporcionando um mergulho profundo e suas aplicações
- Introdução aos transformadores
- Transformadores em idioma: GPT-3, Codex
- Aplicações em visão
- Transformadores em motores de computação RL e Universal
- Transformadores de escala
- Interpretabilidade com transformadores
- ...
? Link para o curso
Curso de PNL (rosto abraçando)
Aprenda sobre diferentes conceitos de PNL e como aplicar modelos de idiomas e transformadores a PNL:
- O que é o aprendizado de transferência?
- Tokenização do BPE
- Entradas em lote
- Modelos de ajuste fino
- Incorporação de texto e pesquisa semântica
- Avaliação do modelo
- ...
? Link para o curso
CS224N: Processamento de linguagem natural com aprendizado profundo
Para aprender as abordagens mais recentes para a PNL baseada em aprendizado profundo:
- Parsing de dependência
- Modelos de idiomas e RNNs
- Resposta de perguntas
- Transformadores e pré -treinamento
- Geração de linguagem natural
- T5 e modelos de idiomas grandes
- Futuro da NLP
- ...
? Link para o curso
Redes neurais da CMU para NLP
Para aprender as mais recentes técnicas baseadas em rede neural para a PNL:
- Modelagem de idiomas
- Truques de eficiência
- Geração condicionada
- Previsão estruturada
- Interpretação do modelo
- Algoritmos de pesquisa avançada
- ...
? Link para o curso
CS224U: entendimento da linguagem natural
Para aprender os conceitos mais recentes no entendimento da linguagem natural:
- Compreensão da linguagem fundamentada
- Extração de relação
- Inferência de linguagem natural (NLI)
- NLU e extração de informações neurais
- Teste adversário
- ...
? Link para o curso
CMU avançado NLP
Para aprender:
- Noções básicas de técnicas modernas de PNL
- Aprendizagem multi-tarefa, multi-domínio e multilíngue
- Solicitando + sequência a sequência pré-treinamento
- Interpretação e depuração de modelos de PNL
- Aprendendo com base de conhecimento
- Aprendizagem adversária
- ...
? Link para 2021 Edição
? Link para 2022 Edição
? Link para 2024 Edição
NLP multilíngue
Para aprender os conceitos mais recentes para fazer PN de multilíngue:
- Tipologia
- Palavras, parte da fala e morfologia
- Classificação avançada de texto
- Tradução da máquina
- Aumento de dados para MT
- Baixo recurso ASR
- Aprendizado ativo
- ...
? Link para o curso 2020
? Link para o curso 2022
NLP avançado
Para aprender conceitos avançados na NLP:
- Mecanismos de atenção
- Transformadores
- Bert
- Resposta de perguntas
- Modelo Destilação
- Visão + linguagem
- Ética em NLP
- Raciocínio de senso comum
- ...
? Link para o curso
CS231N: redes neurais convolucionais para reconhecimento visual
O famoso curso CS231N de Stanford. Os vídeos estão disponíveis apenas para o semestre da primavera de 2017. O curso é atualmente conhecido como Deep Learning for Computer Vision, mas a versão da primavera de 2017 é intitulada Redes Neurais Convolucionais para o Reconhecimento Visual.
- Classificação da imagem
- Funções de perda e otimização
- Introdução às redes neurais
- Redes neurais convolucionais
- Treinamento de redes neurais
- Software de aprendizado profundo
- Arquiteturas da CNN
- Redes neurais recorrentes
- Detecção e segmentação
- Visualização e compreensão
- Modelos generativos
- Aprendizagem de reforço profundo
? Link para o curso? Link para materiais
Aprendizagem profunda para visão computacional
Para aprender alguns dos conceitos fundamentais no currículo:
- Introdução ao aprendizado profundo para o CV
- Classificação da imagem
- Redes convolucionais
- Redes de atenção
- Detecção e segmentação
- Modelos generativos
? Link para o curso
Aprendizagem profunda para visão computacional (DL4CV)
Para aprender métodos modernos para visão computacional:
- CNNS
- Pytorch avançado
- Entendendo as redes neurais
- Rnn, atenção e vits
- Modelos generativos
- Fundamentos da GPU
- Auto-supervisão
- Renderização neural
- Arquiteturas eficientes
? Link para o curso
Aprendizagem profunda para visão computacional (neuralearn.ai)
Para aprender métodos modernos para visão computacional:
- Aprendizado auto-supervisionado
- Renderização neural
- Arquiteturas eficientes
- Operações de aprendizado de máquina (MLOPS)
- Redes neurais convolucionais modernas
- Transformadores na visão
- Modelo de implantação
? Link para o curso
Curso de aprendizado profundo de ammi
Para aprender sobre conceitos em aprendizado geométrico profundo:
- Aprendendo em dimensões altas
- Priores geométricos
- Grades
- Coletores e malhas
- Sequências e deformação de tempo
- ...
? Link para o curso
Aprendizagem de reforço profundo
Para aprender os conceitos mais recentes no Deep RL:
- Introdução a RL
- Algoritmos RL
- Tomada de decisão seqüencial do mundo real
- Aprendizado supervisionado de comportamentos
- Aprendizagem de imitação profunda
- Funções de custo e funções de recompensa
- ...
? Link para o curso
Série de palestras de aprendizado de reforço (DeepMind)
A série de palestras de aprendizado profundo é uma colaboração entre o DeepMind e o UCL Center for Artificial Intelligence.
- Introdução ao RL
- Programação dinâmica
- Algoritmos sem modelo
- Aprendizagem de reforço profundo
- ...
? Link para o curso
LLMOPS: Construindo aplicativos do mundo real com grandes modelos de idiomas
Aprenda a criar software moderno com LLMs usando as ferramentas e técnicas mais recentes do campo.
? Link para o curso
Avaliação e depuração da IA generativa
Você aprenderá:
- Instrument um caderno Jupyter
- Gerencie a configuração de hyperparameters
- Log Run Metrics
- Colete artefatos para o conjunto de dados e versão do modelo
- Resultados do experimento de log
- Proot e respostas de rastreamento para LLMS
- ...
? Link para o curso
Chatgpt Prompt Engineering for Developers
Aprenda a usar um modelo de idioma grande (LLM) para criar rapidamente aplicativos novos e poderosos.
? Link para o curso
Langchain para o desenvolvimento de aplicativos LLM
Você aprenderá:
- Modelos, rápido e analisadores
- Memórias para LLMS
- Correntes
- Perguntas Respondendo a documentos
- Agentes
? Link para o curso
Langchain: converse com seus dados
Você aprenderá sobre:
- Carregamento de documentos
- Divisão de documentos
- Lojas e incorporações vetoriais
- Recuperação
- Resposta de perguntas
- Bater papo
? Link para o curso
Construindo sistemas com a API ChatGPT
Aprenda a automatizar fluxos de trabalho complexos usando chamadas de cadeia para um modelo de idioma grande.
? Link para o curso
Bancos de dados Langchain e Vector na produção
Aprenda a usar o Langchain e o Vector DBS na produção:
- LLMS e Langchain
- Aprendendo a solicitar
- Mantendo o conhecimento organizado com índices
- Combinando componentes junto com correntes
- ...
? Link para o curso
Aplicativos movidos a Building LLM
Aprenda a criar aplicativos movidos a LLM usando APIs LLM
- Desconjear APIs LLM
- Construindo um aplicativo de linha de base LLM
- Aprimorando e otimizando aplicativos LLM
- ...
? Link para o curso
Full Stack LLM Bootcamp
Para aprender a criar e implantar aplicativos movidos a LLM:
- Aprenda a soletrar: engenharia imediata
- Llmops
- UX para interfaces de usuário de idiomas
- Modelos de idiomas aumentados
- Inicie um aplicativo LLM em uma hora
- Fundações LLM
- Passo a passo: Askfsdl
- ...
? Link para o curso
Aprendizagem profunda da pilha completa
Para aprender a produção completa de aprendizado profundo:
- Projetos de ML
- Infraestrutura e ferramentas
- Gerenciamento de experimentos
- Solução de problemas de DNNs
- Gerenciamento de dados
- Rotulagem de dados
- Monitorando os modelos ML
- Implantação da web
- ...
? Link para o curso
Introdução ao aprendizado profundo e modelos generativos profundos
Abrange os conceitos fundamentais de aprendizado profundo
- Redes neurais de camada única e descida de gradiente
- Redes neurais de várias camadas e retropropagação
- Redes neurais convolucionais para imagens
- Redes neurais recorrentes para texto
- AutoEncoders, autoencoders variacionais e redes adversárias generativas
- Encoder-Decoder Redes Neurais e Transformadores
- Exemplos de código Pytorch
? Link para o curso? Link para materiais
Carros autônomos (Tübingen)
Abrange os paradigmas mais dominantes dos carros autônomos: abordagens modulares baseadas em oleodutos, bem como técnicas de direção de ponta a ponta baseadas em aprendizagem profunda.
- Câmera, Lidar e percepção baseada em radar
- Localização, navegação, planejamento de caminho
- Modelagem/Controle de Veículos
- Aprendizado profundo
- Aprendizagem de imitação
- Aprendizagem de reforço
? Link para o curso
Aprendizagem de reforço (Polytechnique Montreal, outono de 2021)
Projetar sistemas de tomada de decisão autônoma é um dos objetivos de longa data da inteligência artificial. Tais sistemas de tomada de decisão, se realizados, podem ter um grande impacto no aprendizado de máquina para robótica, jogo, controle e assistência médica, para citar alguns. Este curso apresenta o aprendizado de reforço como uma estrutura geral para projetar esses sistemas de tomada de decisão autônomos.
- Introdução ao RL
- Bandidos com vários armados
- Métodos de gradiente de políticas
- Bandidos contextuais
- Processo de decisão finita de Markov
- Programação dinâmica
- Iteração política, iteração de valor
- Métodos de Monte Carlo
- ...
? Link para o curso? Link para materiais
Fundamentos de RL profundo
Uma mini série de 6 palestras de Pieter Abbeel.
- MDPs, métodos exatos de solução, RL max-in
- Deep Q-learning
- Gradientes de políticas e estimativa de vantagem
- TRPO e PPO
- DDPG e SAC
- RL baseado em modelo
? Link para o curso
Stanford CS234: Aprendizagem de reforço
Abrange tópicos de conceitos básicos de aprendizado de reforço a outros mais avançados:
- Processos de decisão de Markov e planejamento
- Avaliação de políticas sem modelo
- Controle sem modelo
- Aprendizagem de reforço com aproximação de função e RL profundo
- Pesquisa de políticas
- Exploração
- ...
? Link para o curso? Link para materiais
Stanford CS330: Deep Multi-Task e Meta Learning
Este é um curso de nível de pós-graduação que abrange diferentes aspectos de profundos e meta aprendizado.
- Aprendizagem de várias tarefas, transferência básica de aprendizado
- Algoritmos de meta-aprendizado
- Tópicos avançados de meta-aprendizado
- RL de várias tarefas, RL condicionado a gols
- Aprendizagem de meta-reforço
- Rl hierárquico
- Aprendizagem ao longo da vida
- Problemas abertos
? Link para o curso? Link para materiais
MIT Aprendizagem profunda em ciências da vida
Um curso que apresenta fundamentos do ML para aplicações na genômica e nas ciências da vida de maneira mais ampla.
- Interpretando modelos de ML
- Acessibilidade ao DNA, promotores e intensificadores
- Cromatina e regulação de genes
- Expressão gênica, splicing
- RNA-seq, splicing
- Sequenciamento de RNA de célula única
- Redução de dimensionalidade, genética e variação
- Descoberta de medicamentos
- Previsão da estrutura de proteínas
- Dobragem de proteínas
- Imagem e câncer
- Neurociência
? Link para o curso
? Link para materiais
Robótica avançada: UC Berkeley
Este é de Peter Abbeel e abrange uma revisão sobre aprendizado de reforço e continua a aplicações em robótica.
- MDPS: Métodos exatos
- Discretização de MDPs de espaço de estado contínuo
- Função de aproximação / representações baseadas em recursos
- LQR, LQR iterativo / programação dinâmica diferencial
- ...
? Link para o curso? Link para materiais
Entre em contato no Twitter se tiver alguma dúvida.
Se você estiver interessado em contribuir, fique à vontade para abrir um PR com um link para o curso. Vai levar um pouco de tempo, mas tenho planos de fazer muitas coisas com essas palestras individuais. Podemos resumir as palestras, incluir notas, fornecer material de leitura adicional, incluir dificuldade de conteúdo, etc.
Agora você pode encontrar notas do curso ML aqui.
