ML YouTube Courses

หลักสูตร ML YouTube

ที่ Dair.ai เราเปิดการศึกษา AI ใน repo นี้เราจัดทำดัชนีและจัดระเบียบหลักสูตรการเรียนรู้ของเครื่องที่ดีที่สุดและล่าสุดที่มีอยู่ใน YouTube

การเรียนรู้ของเครื่องจักร

• Caltech CS156: การเรียนรู้จากข้อมูล
• Stanford CS229: การเรียนรู้ของเครื่องจักร
• เป็นเพื่อนกับการเรียนรู้ของเครื่องจักร
• การเรียนรู้ของเครื่องประยุกต์
• รู้เบื้องต้นเกี่ยวกับการเรียนรู้ของเครื่องจักร (Tübingen)
• การบรรยายการเรียนรู้ของเครื่องจักร (Stefan Harmeling)
• การเรียนรู้ของเครื่องทางสถิติ (Tübingen)
• การเรียนรู้ของเครื่องจักรที่น่าจะเป็น
• MIT 6.S897: การเรียนรู้ของเครื่องเพื่อการดูแลสุขภาพ (2019)

การเรียนรู้อย่างลึกซึ้ง

• Neural Networks: Zero to Hero
• MIT: การเรียนรู้อย่างลึกซึ้งสำหรับศิลปะความสวยงามและความคิดสร้างสรรค์
• Stanford CS230: การเรียนรู้ลึก (2018)
• บทนำสู่การเรียนรู้อย่างลึกซึ้ง (MIT)
• CMU บทนำสู่การเรียนรู้อย่างลึกซึ้ง (11-785)
• การเรียนรู้ลึก: CS 182
• การเรียนรู้ที่ไม่ได้รับการดูแลอย่างลึกซึ้ง
• NYU การเรียนรู้ลึก sp21
• โมเดลรากฐาน
• การเรียนรู้ลึก (Tübingen)

การเรียนรู้ด้วยเครื่องวิทยาศาสตร์

• การคำนวณแบบขนานและการเรียนรู้ของเครื่องวิทยาศาสตร์

การเรียนรู้ของเครื่องจักรเชิงปฏิบัติ

• LLMOPS: การสร้างแอพพลิเคชั่นในโลกแห่งความเป็นจริงด้วยรูปแบบภาษาขนาดใหญ่
• การประเมินและการดีบัก AI Generative
• chatgpt วิศวกรรมพรอมต์สำหรับนักพัฒนา
• Langchain สำหรับการพัฒนาแอปพลิเคชัน LLM
• Langchain: แชทกับข้อมูลของคุณ
• ระบบการสร้างระบบ API Chatgpt
• ฐานข้อมูล Langchain & Vector ในการผลิต
• การสร้างแอพที่ขับเคลื่อนด้วย LLM
• Full Stack LLM bootcamp
• การเรียนรู้อย่างลึกซึ้งสแต็คเต็มรูปแบบ
• การเรียนรู้อย่างลึกซึ้งสำหรับผู้เขียนโค้ด
• การสัมมนา Stanford MLSYS
• วิศวกรรมการเรียนรู้ของเครื่องจักรเพื่อการผลิต (MLOPS)
• MIT บทนำสู่ AI ข้อมูลเป็นศูนย์กลาง

การประมวลผลภาษาธรรมชาติ

• XCS224U: ความเข้าใจภาษาธรรมชาติ (2023)
• Stanford CS25 - Transformers United
• หลักสูตร NLP (กอดหน้า)
• CS224N: การประมวลผลภาษาธรรมชาติด้วยการเรียนรู้อย่างลึกซึ้ง
• เครือข่ายประสาท CMU สำหรับ NLP
• CS224U: ความเข้าใจภาษาธรรมชาติ
• CMU ขั้นสูง NLP 2021/2022/2024
• NLP หลายภาษา
• NLP ขั้นสูง

วิสัยทัศน์คอมพิวเตอร์

• CS231N: เครือข่ายประสาทเทียมสำหรับการจดจำภาพ
• การเรียนรู้อย่างลึกซึ้งสำหรับการมองเห็นคอมพิวเตอร์
• การเรียนรู้อย่างลึกซึ้งสำหรับการมองเห็นคอมพิวเตอร์ (DL4CV)
• การเรียนรู้อย่างลึกซึ้งสำหรับการมองเห็นคอมพิวเตอร์ (neuralearn.ai)

การเรียนรู้เสริมแรง

• การเรียนรู้การเสริมแรงอย่างลึกซึ้ง
• ชุดการบรรยายการเรียนรู้การเสริมแรง (DeepMind)
• การเรียนรู้เสริมแรง (Polytechnique Montreal, Fall 2021)
• รากฐานของ RL ลึก
• Stanford CS234: การเรียนรู้การเสริมแรง

การเรียนรู้กราฟเครื่อง

• การเรียนรู้ของเครื่องด้วยกราฟ (Stanford)
• หลักสูตรการเรียนรู้เชิงลึกของ Ammi Geometric

การเรียนรู้แบบหลายงาน

• Multi-Task และ Meta-Learning (Stanford)

คนอื่น

• MIT การเรียนรู้อย่างลึกซึ้งในวิทยาศาสตร์เพื่อชีวิต
• รถยนต์ที่ขับเคลื่อนด้วยตนเอง (Tübingen)
• หุ่นยนต์ขั้นสูง (Berkeley)

---

Caltech CS156: การเรียนรู้จากข้อมูล

หลักสูตรเบื้องต้นในการเรียนรู้ของเครื่องที่ครอบคลุมทฤษฎีพื้นฐานอัลกอริทึมและแอปพลิเคชัน

• การบรรยาย 1: ปัญหาการเรียนรู้
• การบรรยาย 2: การเรียนรู้เป็นไปได้หรือไม่?
• การบรรยาย 3: โมเดลเชิงเส้น i
• การบรรยาย 4: ข้อผิดพลาดและเสียงรบกวน
• การบรรยาย 5: การฝึกอบรมกับการทดสอบ
• การบรรยาย 6: ทฤษฎีการวางนัยทั่วไป
• การบรรยาย 7: มิติ VC
• การบรรยาย 8: การแลกเปลี่ยนความแปรปรวนแบบอคติ
• การบรรยาย 9: รุ่นเชิงเส้น II
• การบรรยาย 10: เครือข่ายประสาท
• การบรรยายที่ 11: overfitting
• การบรรยาย 12: การทำให้เป็นมาตรฐาน
• การบรรยาย 13: การตรวจสอบ
• การบรรยาย 14: สนับสนุนเครื่องเวกเตอร์
• การบรรยาย 15: วิธีเคอร์เนล
• การบรรยาย 16: ฟังก์ชั่นพื้นฐานรัศมี
• การบรรยาย 17: สามหลักการเรียนรู้
• การบรรยาย 18: บทส่งท้าย

- เชื่อมโยงไปยังหลักสูตร

Stanford CS229: การเรียนรู้ของเครื่องจักร

เพื่อเรียนรู้พื้นฐานบางอย่างของ ML:

• การถดถอยเชิงเส้นและการไล่ระดับสี
• การถดถอยโลจิสติก
• เบย์ไร้เดียงสา
• SVMS
• เมล็ด
• ต้นไม้ตัดสินใจ
• บทนำสู่เครือข่ายประสาท
• การดีบักรุ่น ML ...

- เชื่อมโยงไปยังหลักสูตร

เป็นเพื่อนกับการเรียนรู้ของเครื่องจักร

ชุดการบรรยายขนาดเล็กที่ครอบคลุมหัวข้อเบื้องต้นต่างๆใน ML:

• ความสามารถในการอธิบายใน AI
• การจำแนกประเภทกับการถดถอย
• precession กับการเรียกคืน
• นัยสำคัญทางสถิติ
• การจัดกลุ่มและ k-means
• รุ่นทั้งหมด ...

- เชื่อมโยงไปยังหลักสูตร

Neural Networks: Zero to Hero (โดย Andrej Karpathy)

หลักสูตรให้ภาพรวมเชิงลึกของเครือข่ายประสาท

• การแบก
• คำแนะนำที่สะกดออกมาเพื่อสร้างแบบจำลองภาษา
• การเปิดใช้งานและการไล่ระดับสี
• กลายเป็น backprop ninja

- เชื่อมโยงไปยังหลักสูตร

MIT: การเรียนรู้อย่างลึกซึ้งสำหรับศิลปะความสวยงามและความคิดสร้างสรรค์

ครอบคลุมการประยุกต์ใช้การเรียนรู้อย่างลึกซึ้งสำหรับศิลปะความสวยงามและความคิดสร้างสรรค์

• ความคิดถึง -> ศิลปะ -> ความคิดสร้างสรรค์ -> วิวัฒนาการเป็นข้อมูล + ทิศทาง
• Gans ที่มีประสิทธิภาพ
• การสำรวจใน AI เพื่อความคิดสร้างสรรค์
• นามธรรมของระบบประสาท
• การสร้างเนื้อหา 3 มิติที่ง่ายด้วยสาขาประสาทที่สอดคล้องกัน ...

- เชื่อมโยงไปยังหลักสูตร

Stanford CS230: การเรียนรู้ลึก (2018)

ครอบคลุมฐานรากของการเรียนรู้อย่างลึกซึ้งวิธีการสร้างเครือข่ายประสาทที่แตกต่างกัน (CNNs, RNNs, LSTMS, ฯลฯ ... ) วิธีการนำโครงการเรียนรู้ของเครื่องจักรและคำแนะนำด้านอาชีพสำหรับผู้ฝึกการเรียนรู้ลึก

• สัญชาตญาณการเรียนรู้อย่างลึกซึ้ง
• ตัวอย่างของฝ่ายตรงข้าม - Gans
• โครงการการเรียนรู้อย่างลึกซึ้งเต็มรูปแบบ
• AI และการดูแลสุขภาพ
• กลยุทธ์การเรียนรู้ลึก
• ความสามารถในการตีความเครือข่ายประสาท
• คำแนะนำด้านอาชีพและเอกสารการวิจัยการอ่าน
• การเรียนรู้การเสริมแรงอย่างลึกซึ้ง

- ลิงก์ไปยังหลักสูตร? เชื่อมโยงไปยังวัสดุ

การเรียนรู้ของเครื่องประยุกต์

เพื่อเรียนรู้เทคนิคที่ใช้กันอย่างแพร่หลายใน ML:

• การเพิ่มประสิทธิภาพและแคลคูลัส
• overfitting และ underfitting
• การทำให้เป็นระเบียบ
• การประมาณค่า Monte Carlo
• การเรียนรู้โอกาสสูงสุด
• เพื่อนบ้านที่ใกล้ที่สุด
• -

- เชื่อมโยงไปยังหลักสูตร

รู้เบื้องต้นเกี่ยวกับการเรียนรู้ของเครื่องจักร (Tübingen)

หลักสูตรนี้ทำหน้าที่เป็นการแนะนำขั้นพื้นฐานเกี่ยวกับการเรียนรู้ของเครื่องและครอบคลุมแนวคิดหลักในการถดถอยการจำแนกการเพิ่มประสิทธิภาพการทำให้เป็นมาตรฐานการจัดกลุ่มและการลดขนาด

• การถดถอยเชิงเส้น
• การถดถอยโลจิสติก
• การทำให้เป็นระเบียบ
• การสนับสนุน
• เครือข่ายประสาท
• PCA
• การจัดกลุ่ม
• -

- เชื่อมโยงไปยังหลักสูตร

การบรรยายการเรียนรู้ของเครื่องจักร (Stefan Harmeling)

ครอบคลุมแนวคิด ML พื้นฐานมากมาย:

• กฎเบย์
• จากตรรกะถึงความน่าจะเป็น
• การกระจาย
• แคลคูลัสเดิมพันเมทริกซ์
• PCA
• k-means และ em
• เวรกรรม
• กระบวนการเกาส์เซียน
• -

- เชื่อมโยงไปยังหลักสูตร

การเรียนรู้ของเครื่องทางสถิติ (Tübingen)

หลักสูตรนี้ครอบคลุมกระบวนทัศน์มาตรฐานและอัลกอริทึมในการเรียนรู้ของเครื่องทางสถิติ

• knn
• ทฤษฎีการตัดสินใจแบบเบย์
• การเพิ่มประสิทธิภาพแบบนูน
• การถดถอยเชิงเส้นและสันเขา
• การถดถอยโลจิสติก
• SVM
• ป่าสุ่ม
• การสนับสนุน
• PCA
• การจัดกลุ่ม
• -

- เชื่อมโยงไปยังหลักสูตร

การเรียนรู้อย่างลึกซึ้งสำหรับผู้เขียนโค้ด

หลักสูตรนี้ครอบคลุมหัวข้อต่าง ๆ เช่นวิธี:

• สร้างและฝึกอบรมแบบจำลองการเรียนรู้อย่างลึกซึ้งสำหรับการมองเห็นคอมพิวเตอร์การประมวลผลภาษาธรรมชาติการวิเคราะห์แบบตารางและปัญหาการกรองการทำงานร่วมกัน
• สร้างฟอเรสต์แบบสุ่มและแบบจำลองการถดถอย
• ปรับใช้โมเดล
• ใช้ Pytorch ซอฟต์แวร์การเรียนรู้ลึกที่เติบโตเร็วที่สุดในโลกรวมถึงห้องสมุดยอดนิยมเช่น Fastai และ Hugging Face
• รากฐานและแบบจำลองการดำน้ำลึกเพื่อการแพร่กระจาย
• -

- ลิงก์ไปยังหลักสูตร - ตอนที่ 1

- ลิงก์ไปยังหลักสูตร - ตอนที่ 2

การสัมมนา Stanford MLSYS

ซีรีส์สัมมนาในทุกหัวข้อที่เกี่ยวข้องกับระบบการเรียนรู้ของเครื่องจักร

- ลิงก์ไปยังการบรรยาย

วิศวกรรมการเรียนรู้ของเครื่องจักรเพื่อการผลิต (MLOPS)

หลักสูตรความเชี่ยวชาญเกี่ยวกับ Mlops โดย Andrew Ng

- ลิงก์ไปยังการบรรยาย

MIT บทนำสู่ AI ข้อมูลเป็นศูนย์กลาง

ครอบคลุมวิทยาศาสตร์ที่เกิดขึ้นใหม่ของข้อมูล AI ที่เน้นข้อมูลเป็นศูนย์กลาง (DCAI) ที่ศึกษาเทคนิคเพื่อปรับปรุงชุดข้อมูลซึ่งมักจะเป็นวิธีที่ดีที่สุดในการปรับปรุงประสิทธิภาพในการใช้งาน ML ที่ใช้งานได้จริง หัวข้อรวมถึง:

• AI Data-Is-Impentric เทียบกับ Model-Iscentric เป็นศูนย์กลาง
• ข้อผิดพลาดในการติดฉลาก
• การสร้างชุดข้อมูลและการดูแล
• การประเมินข้อมูลเป็นศูนย์กลางของแบบจำลอง ML
• ความไม่สมดุลของชั้นเรียนค่าผิดปกติและการเปลี่ยนการกระจาย
• -

- เว็บไซต์หลักสูตร

- การบรรยายวิดีโอ

- การมอบหมายห้องปฏิบัติการ

การเรียนรู้ของเครื่องด้วยกราฟ (Stanford)

เพื่อเรียนรู้เทคนิคกราฟล่าสุดในการเรียนรู้ของเครื่อง:

• เพกเกอร์
• การแยกตัวประกอบเมทริกซ์
• การฝังโหนด
• กราฟระบบประสาท
• กราฟความรู้
• แบบจำลองการกำเนิดลึกสำหรับกราฟ
• -

- เชื่อมโยงไปยังหลักสูตร

การเรียนรู้ของเครื่องจักรที่น่าจะเป็น

เพื่อเรียนรู้กระบวนทัศน์ความน่าจะเป็นของ ML:

• การให้เหตุผลเกี่ยวกับความไม่แน่นอน
• ตัวแปรต่อเนื่อง
• การสุ่มตัวอย่าง
• มาร์คอฟเชนมอนติคาร์โล
• การแจกแจงแบบเกาส์เซียน
• รุ่นกราฟิก
• อัลกอริทึมการปรับการปรับแต่ง
• -

- เชื่อมโยงไปยังหลักสูตร

MIT 6.S897: การเรียนรู้ของเครื่องเพื่อการดูแลสุขภาพ (2019)

หลักสูตรนี้แนะนำนักเรียนเกี่ยวกับการเรียนรู้ของเครื่องจักรในการดูแลสุขภาพรวมถึงธรรมชาติของข้อมูลทางคลินิกและการใช้การเรียนรู้ของเครื่องจักรเพื่อการแบ่งชั้นความเสี่ยงการสร้างแบบจำลองความก้าวหน้าของโรคการแพทย์ที่แม่นยำการวินิจฉัยการค้นพบชนิดย่อยและการปรับปรุงเวิร์กโฟลว์ทางคลินิก

- เชื่อมโยงไปยังหลักสูตร

รู้เบื้องต้นเกี่ยวกับการเรียนรู้อย่างลึกซึ้ง

เพื่อเรียนรู้พื้นฐานของการเรียนรู้อย่างลึกซึ้ง:

• รู้เบื้องต้นเกี่ยวกับการเรียนรู้อย่างลึกซึ้ง

- เชื่อมโยงไปยังหลักสูตร

CMU บทนำสู่การเรียนรู้อย่างลึกซึ้ง (11-785)

หลักสูตรเริ่มต้นค่อยๆจาก MLPs (Multi Layer Perceptrons) จากนั้นดำเนินการเป็นแนวคิดเช่นความสนใจและแบบจำลองลำดับต่อลำดับ

- เชื่อมโยงไปยังหลักสูตร
- การบรรยาย
- บทช่วยสอน/การท่องจำ

การเรียนรู้ลึก: CS 182

เพื่อเรียนรู้เทคนิคที่ใช้กันอย่างแพร่หลายในการเรียนรู้อย่างลึกซึ้ง:

• พื้นฐานการเรียนรู้ของเครื่องจักร
• การวิเคราะห์ข้อผิดพลาด
• การเพิ่มประสิทธิภาพ
• การแบก
• การเริ่มต้น
• การทำให้เป็นมาตรฐานเป็นชุด
• การถ่ายโอนสไตล์
• การเรียนรู้เลียนแบบ
• -

- เชื่อมโยงไปยังหลักสูตร

การเรียนรู้ที่ไม่ได้รับการดูแลอย่างลึกซึ้ง

เพื่อเรียนรู้เทคนิคล่าสุดและใช้กันอย่างแพร่หลายในการเรียนรู้ที่ไม่ได้รับการดูแลอย่างลึกซึ้ง:

• โมเดล Autoregressive
• แบบจำลองการไหล
• โมเดลตัวแปรแฝง
• การเรียนรู้ด้วยตนเอง
• แบบจำลองโดยนัย
• การบีบอัด
• -

- เชื่อมโยงไปยังหลักสูตร

NYU การเรียนรู้ลึก sp21

เพื่อเรียนรู้เทคนิคขั้นสูงบางอย่างในการเรียนรู้อย่างลึกซึ้ง:

• อวนประสาท: การหมุนและการบีบอัด
• โมเดลพลังงานที่ใช้ตัวแปรแฝง
• การเรียนรู้ที่ไม่ได้รับการดูแล
• เครือข่ายศัตรู
• ผู้เข้ารหัสอัตโนมัติ
• -

- เชื่อมโยงไปยังหลักสูตร

โมเดลรากฐาน

หากต้องการเรียนรู้เกี่ยวกับโมเดลพื้นฐานเช่น GPT-3, คลิป, Flamingo, Codex และ Dino

- เชื่อมโยงไปยังหลักสูตร

การเรียนรู้ลึก (Tübingen)

หลักสูตรนี้แนะนำหลักการปฏิบัติและทฤษฎีของเครือข่ายประสาทลึก

• กราฟการคำนวณ
• ฟังก์ชั่นการเปิดใช้งานและฟังก์ชั่นการสูญเสีย
• การฝึกอบรมการทำให้เป็นมาตรฐานและการเพิ่มข้อมูล
• สถาปัตยกรรมเครือข่ายประสาทลึกพื้นฐานและล้ำสมัยรวมถึงเครือข่าย convolutional และเครือข่ายประสาทกราฟ
• แบบจำลองการกำเนิดที่ลึกเช่นเข้ารหัสอัตโนมัติ, การเข้ารหัสอัตโนมัติ Variational และเครือข่ายฝ่ายตรงข้าม
• -

- เชื่อมโยงไปยังหลักสูตร

การคำนวณแบบขนานและการเรียนรู้ของเครื่องวิทยาศาสตร์

• พื้นฐานของเครื่องจำลองวิทยาศาสตร์
• รู้เบื้องต้นเกี่ยวกับการคำนวณแบบขนาน
• การเปลี่ยนแปลงอย่างต่อเนื่อง
• ปัญหาผกผันและการเขียนโปรแกรมที่แตกต่างกัน
• การคำนวณแบบขนานแบบกระจาย
• เครือข่ายประสาทที่ได้รับข้อมูลฟิสิกส์และสมการเชิงอนุพันธ์ของระบบประสาท
• การเขียนโปรแกรมความน่าจะเป็น
• โลกาภิวัตน์ความเข้าใจของแบบจำลอง

- เชื่อมโยงไปยังหลักสูตร

XCS224U: ความเข้าใจภาษาธรรมชาติ (2023)

หลักสูตรนี้ครอบคลุมหัวข้อต่าง ๆ เช่น:

• การแสดงคำบริบท
• การดึงข้อมูล
• การเรียนรู้ในบริบท
• การประเมินพฤติกรรมของแบบจำลอง NLU
• วิธีการและตัวชี้วัด NLP
• -

- เชื่อมโยงไปยังหลักสูตร

Stanford CS25 - Transformers United

หลักสูตรนี้ประกอบด้วยการบรรยายที่มุ่งเน้นไปที่หม้อแปลงให้การดำน้ำลึกและแอปพลิเคชันของพวกเขา

• รู้เบื้องต้นเกี่ยวกับ Transformers
• Transformers ในภาษา: GPT-3, Codex
• แอปพลิเคชันในการมองเห็น
• Transformers ใน RL & Universal Compute Engines
• การปรับขนาดหม้อแปลง
• ความสามารถในการตีความด้วยหม้อแปลง
• -

- เชื่อมโยงไปยังหลักสูตร

หลักสูตร NLP (กอดหน้า)

เรียนรู้เกี่ยวกับแนวคิด NLP ที่แตกต่างกันและวิธีการใช้แบบจำลองภาษาและหม้อแปลงกับ NLP:

• การเรียนรู้การถ่ายโอนคืออะไร?
• โทเค็น BPE
• อินพุตแบทช์
• รุ่นปรับแต่ง
• การฝังข้อความและการค้นหาความหมาย
• การประเมินแบบจำลอง
• -

- เชื่อมโยงไปยังหลักสูตร

CS224N: การประมวลผลภาษาธรรมชาติด้วยการเรียนรู้อย่างลึกซึ้ง

เพื่อเรียนรู้วิธีการล่าสุดสำหรับ NLP ที่ใช้การเรียนรู้อย่างลึกซึ้ง:

• การแยกวิเคราะห์การพึ่งพา
• แบบจำลองภาษาและ RNNS
• ตอบคำถาม
• Transformers และ Pretraining
• การสร้างภาษาธรรมชาติ
• T5 และโมเดลภาษาขนาดใหญ่
• อนาคตของ NLP
• -

- เชื่อมโยงไปยังหลักสูตร

เครือข่ายประสาท CMU สำหรับ NLP

เพื่อเรียนรู้เทคนิคที่ใช้เครือข่ายประสาทล่าสุดสำหรับ NLP:

• การสร้างแบบจำลองภาษา
• เทคนิคประสิทธิภาพ
• รุ่นที่มีเงื่อนไข
• การทำนายที่มีโครงสร้าง
• การตีความแบบจำลอง
• อัลกอริทึมการค้นหาขั้นสูง
• -

- เชื่อมโยงไปยังหลักสูตร

CS224U: ความเข้าใจภาษาธรรมชาติ

เพื่อเรียนรู้แนวคิดล่าสุดในการทำความเข้าใจภาษาธรรมชาติ:

• ความเข้าใจภาษาที่มีเหตุผล
• การสกัดความสัมพันธ์
• การอนุมานภาษาธรรมชาติ (NLI)
• การสกัดข้อมูล NLU และระบบประสาท
• การทดสอบปฏิปักษ์
• -

- เชื่อมโยงไปยังหลักสูตร

CMU ขั้นสูง NLP

เพื่อเรียนรู้:

• พื้นฐานของเทคนิค NLP ที่ทันสมัย
• การเรียนรู้แบบหลายโดเมนหลายโดเมน
• การแจ้งเตือน + ลำดับต่อลำดับก่อนการฝึกอบรม
• การตีความและการดีบักโมเดล NLP
• การเรียนรู้จากฐานความรู้
• การเรียนรู้ที่เป็นปฏิปักษ์
• -

- ลิงก์ไปยังรุ่น 2021

- ลิงก์ไปยังรุ่น 2022

- ลิงก์ไปยังรุ่น 2024

NLP หลายภาษา

เพื่อเรียนรู้แนวคิดล่าสุดสำหรับการทำ NLP หลายภาษา:

• ประเภท
• คำพูดส่วนหนึ่งของการพูดและสัณฐานวิทยา
• การจำแนกประเภทข้อความขั้นสูง
• การแปลเครื่องจักร
• การเพิ่มข้อมูลสำหรับ MT
• ทรัพยากรต่ำ ASR
• การเรียนรู้อย่างแข็งขัน
• -

- ลิงก์ไปยังหลักสูตร 2020

- ลิงก์ไปยังหลักสูตร 2022

NLP ขั้นสูง

เพื่อเรียนรู้แนวคิดขั้นสูงใน NLP:

• กลไกความสนใจ
• หม้อแปลงไฟฟ้า
• เบิร์ต
• ตอบคำถาม
• การกลั่นแบบจำลอง
• วิสัยทัศน์ + ภาษา
• จริยธรรมใน NLP
• การใช้เหตุผลทั่วไป
• -

- เชื่อมโยงไปยังหลักสูตร

CS231N: เครือข่ายประสาทเทียมสำหรับการจดจำภาพ

หลักสูตร CS231N ที่มีชื่อเสียงของ Stanford วิดีโอมีให้บริการเฉพาะภาคการศึกษาฤดูใบไม้ผลิปี 2560 หลักสูตรนี้เป็นที่รู้จักกันดีว่าการเรียนรู้อย่างลึกซึ้งสำหรับการมองเห็นคอมพิวเตอร์ แต่เวอร์ชั่น Spring 2017 มีชื่อว่าเครือข่ายประสาท Convolutional สำหรับการจดจำภาพ

• การจำแนกรูปภาพ
• ฟังก์ชั่นการสูญเสียและการเพิ่มประสิทธิภาพ
• บทนำสู่เครือข่ายประสาท
• เครือข่ายประสาท
• การฝึกอบรมเครือข่ายประสาท
• ซอฟต์แวร์การเรียนรู้ลึก
• สถาปัตยกรรม CNN
• เครือข่ายประสาทกำเริบ
• การตรวจจับและแบ่งส่วน
• การมองเห็นและความเข้าใจ
• แบบจำลองการกำเนิด
• การเรียนรู้การเสริมแรงอย่างลึกซึ้ง

- ลิงก์ไปยังหลักสูตร? เชื่อมโยงไปยังวัสดุ

การเรียนรู้อย่างลึกซึ้งสำหรับการมองเห็นคอมพิวเตอร์

เพื่อเรียนรู้แนวคิดพื้นฐานบางอย่างใน CV:

• รู้เบื้องต้นเกี่ยวกับการเรียนรู้อย่างลึกซึ้งสำหรับ CV
• การจำแนกรูปภาพ
• เครือข่าย Convolutional
• เครือข่ายความสนใจ
• การตรวจจับและแบ่งส่วน
• แบบจำลองการกำเนิด

- เชื่อมโยงไปยังหลักสูตร

การเรียนรู้อย่างลึกซึ้งสำหรับการมองเห็นคอมพิวเตอร์ (DL4CV)

เพื่อเรียนรู้วิธีการที่ทันสมัยสำหรับการมองเห็นคอมพิวเตอร์:

• ซีเอ็นเอ็น
• pytorch ขั้นสูง
• ทำความเข้าใจกับเครือข่ายประสาท
• rnn, ความสนใจและพยาน
• แบบจำลองการกำเนิด
• พื้นฐานของ GPU
• การดูแลตนเอง
• การเรนเดอร์
• สถาปัตยกรรมที่มีประสิทธิภาพ

- เชื่อมโยงไปยังหลักสูตร

การเรียนรู้อย่างลึกซึ้งสำหรับการมองเห็นคอมพิวเตอร์ (neuralearn.ai)

เพื่อเรียนรู้วิธีการที่ทันสมัยสำหรับการมองเห็นคอมพิวเตอร์:

• การเรียนรู้ด้วยตนเอง
• การเรนเดอร์
• สถาปัตยกรรมที่มีประสิทธิภาพ
• การดำเนินการเรียนรู้ของเครื่อง (MLOPS)
• เครือข่ายประสาทที่ทันสมัย
• Transformers in Vision
• การปรับใช้แบบจำลอง

- เชื่อมโยงไปยังหลักสูตร

หลักสูตรการเรียนรู้เชิงลึกของ Ammi Geometric

เพื่อเรียนรู้เกี่ยวกับแนวคิดในการเรียนรู้เชิงลึกทางเรขาคณิต:

• การเรียนรู้ในมิติที่สูง
• นักบวชเรขาคณิต
• กริด
• ความหลากหลายและตาข่าย
• ลำดับและเวลาแปรปรวน
• -

- เชื่อมโยงไปยังหลักสูตร

การเรียนรู้การเสริมแรงอย่างลึกซึ้ง

เพื่อเรียนรู้แนวคิดล่าสุดใน Deep RL:

• อินโทรไปยัง RL
• อัลกอริทึม RL
• การตัดสินใจตามลำดับในโลกแห่งความเป็นจริง
• ดูแลการเรียนรู้พฤติกรรม
• การเรียนรู้การเลียนแบบลึก
• ฟังก์ชั่นค่าใช้จ่ายและฟังก์ชั่นการให้รางวัล
• -

- เชื่อมโยงไปยังหลักสูตร

ชุดการบรรยายการเรียนรู้การเสริมแรง (DeepMind)

ซีรี่ส์การเรียนรู้การเรียนรู้ลึกเป็นความร่วมมือระหว่าง DeepMind และศูนย์ UCL สำหรับปัญญาประดิษฐ์

• รู้เบื้องต้นเกี่ยวกับ RL
• การเขียนโปรแกรมแบบไดนามิก
• อัลกอริธึมที่ปราศจากโมเดล
• การเรียนรู้การเสริมแรงอย่างลึกซึ้ง
• -

- เชื่อมโยงไปยังหลักสูตร

LLMOPS: การสร้างแอพพลิเคชั่นในโลกแห่งความเป็นจริงด้วยรูปแบบภาษาขนาดใหญ่

เรียนรู้ที่จะสร้างซอฟต์แวร์ที่ทันสมัยด้วย LLMS โดยใช้เครื่องมือและเทคนิคใหม่ล่าสุดในสนาม

- เชื่อมโยงไปยังหลักสูตร

การประเมินและการดีบัก AI Generative

คุณจะได้เรียนรู้:

• เครื่องมือโน้ตบุ๊ก Jupyter
• จัดการการกำหนดค่า hyperparameters
• บันทึกการทำงานของตัวชี้วัด
• รวบรวมสิ่งประดิษฐ์สำหรับชุดข้อมูลและรุ่นโมเดล
• ผลการทดลองบันทึก
• การติดตามและการตอบสนองสำหรับ LLMS
• -

- เชื่อมโยงไปยังหลักสูตร

chatgpt วิศวกรรมพรอมต์สำหรับนักพัฒนา

เรียนรู้วิธีใช้โมเดลภาษาขนาดใหญ่ (LLM) เพื่อสร้างแอปพลิเคชันใหม่และทรงพลังอย่างรวดเร็ว

- เชื่อมโยงไปยังหลักสูตร

Langchain สำหรับการพัฒนาแอปพลิเคชัน LLM

คุณจะได้เรียนรู้:

• โมเดลพรอมต์และพาร์สเซอร์
• ความทรงจำสำหรับ LLMS
• โซ่
• คำถามตอบผ่านเอกสาร
• ตัวแทน

- เชื่อมโยงไปยังหลักสูตร

Langchain: แชทกับข้อมูลของคุณ

คุณจะได้เรียนรู้เกี่ยวกับ:

• การโหลดเอกสาร
• การแยกเอกสาร
• ร้านค้าเวกเตอร์และฝังตัว
• การเรียกคืน
• ตอบคำถาม
• แชท

- เชื่อมโยงไปยังหลักสูตร

ระบบการสร้างระบบ API Chatgpt

เรียนรู้วิธีการทำให้เวิร์กโฟลว์ที่ซับซ้อนโดยอัตโนมัติโดยใช้การเรียกโซ่ไปยังรูปแบบภาษาขนาดใหญ่

- เชื่อมโยงไปยังหลักสูตร

ฐานข้อมูล Langchain & Vector ในการผลิต

เรียนรู้วิธีใช้ Langchain และ Vector DBS ในการผลิต:

• LLMS และ Langchain
• เรียนรู้วิธีการแจ้งเตือน
• รักษาความรู้ที่จัดด้วยดัชนี
• การรวมส่วนประกอบเข้ากับโซ่
• -

- เชื่อมโยงไปยังหลักสูตร

การสร้างแอพที่ขับเคลื่อนด้วย LLM

เรียนรู้วิธีการสร้างแอปพลิเคชันที่ขับเคลื่อนด้วย LLM โดยใช้ LLM APIs

• เปิด LLM APIs
• การสร้างแอปพลิเคชัน LLM พื้นฐาน
• เพิ่มและเพิ่มประสิทธิภาพแอปพลิเคชัน LLM
• -

- เชื่อมโยงไปยังหลักสูตร

Full Stack LLM bootcamp

เพื่อเรียนรู้วิธีการสร้างและปรับใช้แอปพลิเคชันที่ขับเคลื่อนด้วย LLM:

• เรียนรู้ที่จะสะกด: วิศวกรรมที่รวดเร็ว
• llmops
• UX สำหรับส่วนต่อประสานผู้ใช้ภาษา
• โมเดลภาษาที่เพิ่มขึ้น
• เปิดแอพ LLM ในหนึ่งชั่วโมง
• ฐานราก LLM
• Project Walkthrough: Askfsdl
• -

- เชื่อมโยงไปยังหลักสูตร

การเรียนรู้อย่างลึกซึ้งสแต็คเต็มรูปแบบ

เพื่อเรียนรู้การเรียนรู้อย่างเต็มรูปแบบการเรียนรู้อย่างลึกซึ้ง:

• โครงการ ML
• โครงสร้างพื้นฐานและเครื่องมือ
• การจัดการทดลอง
• การแก้ไขปัญหา DNNS
• การจัดการข้อมูล
• การติดฉลากข้อมูล
• การตรวจสอบโมเดล ML
• การปรับใช้เว็บ
• -

- เชื่อมโยงไปยังหลักสูตร

บทนำสู่การเรียนรู้อย่างลึกซึ้งและแบบจำลองการกำเนิดที่ลึกซึ้ง

ครอบคลุมแนวคิดพื้นฐานของการเรียนรู้อย่างลึกซึ้ง

• เครือข่ายประสาทชั้นเดียวและการไล่ระดับสี
• เครือข่ายประสาทหลายชั้นและ backpropagation
• เครือข่ายประสาท Convolutional สำหรับรูปภาพ
• เครือข่ายประสาทอีกครั้งสำหรับข้อความ
• AutoEncoders, ตัวแปร autoencoders และเครือข่ายฝ่ายตรงข้าม
• Neural Networks และ Transformers ที่เกิดขึ้นซ้ำ
• ตัวอย่างรหัส Pytorch

- ลิงก์ไปยังหลักสูตร? เชื่อมโยงไปยังวัสดุ

รถยนต์ที่ขับเคลื่อนด้วยตนเอง (Tübingen)

ครอบคลุมกระบวนทัศน์ที่โดดเด่นที่สุดของรถยนต์ที่ขับเคลื่อนด้วยตนเอง: วิธีการที่ใช้ท่อแบบโมดูลาร์รวมถึงเทคนิคการขับขี่แบบ end-to-end

• การรับรู้กล้อง LIDAR และ RADAR
• การโลคัลไลเซชั่นการนำทางการวางแผนเส้นทาง
• การสร้างแบบจำลอง/การควบคุมยานพาหนะ
• การเรียนรู้อย่างลึกซึ้ง
• การเรียนรู้เลียนแบบ
• การเรียนรู้เสริมแรง

- เชื่อมโยงไปยังหลักสูตร

การเรียนรู้เสริมแรง (Polytechnique Montreal, Fall 2021)

การออกแบบระบบการตัดสินใจด้วยตนเองเป็นหนึ่งในเป้าหมายที่ยาวนานของปัญญาประดิษฐ์ ระบบการตัดสินใจดังกล่าวหากได้รับการตระหนักอาจมีผลกระทบอย่างมากในการเรียนรู้ของเครื่องจักรสำหรับหุ่นยนต์การเล่นเกมการควบคุมการดูแลสุขภาพเพื่อตั้งชื่อไม่กี่ หลักสูตรนี้แนะนำการเรียนรู้การเสริมแรงเป็นกรอบทั่วไปในการออกแบบระบบการตัดสินใจอิสระดังกล่าว

• รู้เบื้องต้นเกี่ยวกับ RL
• โจรพวงมาลัย
• วิธีการไล่ระดับสี
• โจรบริบท
• กระบวนการตัดสินใจของมาร์คอฟ จำกัด
• การเขียนโปรแกรมแบบไดนามิก
• นโยบายการวนซ้ำมูลค่าการทำซ้ำ
• วิธี Monte Carlo
• -

- ลิงก์ไปยังหลักสูตร? เชื่อมโยงไปยังวัสดุ

รากฐานของ RL ลึก

ซีรี่ส์มินิ 6 บรรยายโดย Pieter Abbeel

• MDPs, วิธีการแก้ปัญหาที่แน่นอน, RL สูงสุด
• Q-Learning ลึก
• การไล่ระดับสีและการประมาณค่าความได้เปรียบ
• TRPO และ PPO
• DDPG และ SAC
• RL ที่ใช้โมเดล

- เชื่อมโยงไปยังหลักสูตร

Stanford CS234: การเรียนรู้การเสริมแรง

ครอบคลุมหัวข้อจากแนวคิดพื้นฐานของการเรียนรู้การเสริมแรงไปจนถึงขั้นสูงมากขึ้น:

• กระบวนการตัดสินใจและการวางแผนมาร์คอฟ
• การประเมินนโยบายฟรีแบบจำลอง
• การควบคุมแบบจำลองฟรี
• การเรียนรู้การเสริมแรงด้วยการประมาณฟังก์ชั่นและ RL ลึก
• การค้นหานโยบาย
• การสำรวจ
• -

- ลิงก์ไปยังหลักสูตร? เชื่อมโยงไปยังวัสดุ

Stanford CS330: Deep Multi-Task และ Meta Learning

นี่คือหลักสูตรระดับบัณฑิตศึกษาที่ครอบคลุมแง่มุมต่าง ๆ ของการเรียนรู้แบบหลายงานและเมตา

• การเรียนรู้แบบหลายงานถ่ายโอนพื้นฐานการเรียนรู้
• อัลกอริทึม Meta-Learning
• หัวข้อ Meta-Learning ขั้นสูง
• RL แบบหลายงาน, RL ที่ปรับด้วยเป้าหมาย
• การเรียนรู้การเสริมแรงเมตา
• ลำดับชั้น RL
• การเรียนรู้ตลอดชีวิต
• เปิดปัญหา

- ลิงก์ไปยังหลักสูตร? เชื่อมโยงไปยังวัสดุ

MIT การเรียนรู้อย่างลึกซึ้งในวิทยาศาสตร์เพื่อชีวิต

หลักสูตรแนะนำพื้นฐานของ ML สำหรับการใช้งานในฟังก์ชั่นจีโนมและวิทยาศาสตร์เพื่อชีวิตในวงกว้างมากขึ้น

• การตีความโมเดล ML
• การเข้าถึงดีเอ็นเอผู้สนับสนุนและการเพิ่มประสิทธิภาพ
• การควบคุมโครมาตินและยีน
• การแสดงออกของยีนการประกบกัน
• RNA-seq, splicing
• ลำดับ RNA เดี่ยว
• การลดขนาดมิติพันธุศาสตร์และการเปลี่ยนแปลง
• การค้นพบยาเสพติด
• การทำนายโครงสร้างโปรตีน
• พับโปรตีน
• การถ่ายภาพและมะเร็ง
• ประสาทวิทยาศาสตร์

- เชื่อมโยงไปยังหลักสูตร

- เชื่อมโยงไปยังวัสดุ

หุ่นยนต์ขั้นสูง: UC Berkeley

หลักสูตรนี้มาจาก Peter Abbeel และครอบคลุมการตรวจสอบเกี่ยวกับการเรียนรู้การเสริมแรงและยังคงใช้งานในหุ่นยนต์ต่อไป

• MDPS: วิธีการที่แน่นอน
• discretization ของพื้นที่รัฐต่อเนื่อง MDPS
• การประมาณฟังก์ชั่น / การเป็นตัวแทนตามคุณสมบัติ
• LQR, การเขียนโปรแกรมแบบไดนามิกแบบซ้ำซ้อน
• -

- ลิงก์ไปยังหลักสูตร? เชื่อมโยงไปยังวัสดุ

---

ติดต่อ Twitter หากคุณมีคำถามใด ๆ

หากคุณสนใจที่จะมีส่วนร่วมอย่าลังเลที่จะเปิดประชาสัมพันธ์พร้อมลิงค์ไปยังหลักสูตร จะต้องใช้เวลาสักครู่ แต่ฉันมีแผนที่จะทำหลายสิ่งหลายอย่างกับการบรรยายเหล่านี้ เราสามารถสรุปการบรรยายรวมถึงโน้ตจัดเตรียมวัสดุการอ่านเพิ่มเติมรวมถึงความยากลำบากของเนื้อหา ฯลฯ

ตอนนี้คุณสามารถค้นหาบันทึกหลักสูตร ML ได้ที่นี่