斯坦福、伯克利及MIT聯合打造-2020年DL/RL必學6門經典課程

原創

2020-07-02 00:55

本資源整理了6門由斯坦福大學、加州大學伯克利分校、麻省理工學院講授的深度學習經典課程，分別是深度學習入門、深度強化學習、深度學習與計算機視覺、無監督學習、多任務與元學習、深度學習與NLP。本資源將六門課程最新的視頻完整課程視頻整理在一起，分享給大家。

資料獲取：https://mp.weixin.qq.com/s?__biz=MzIxNDgzNDg3NQ==&mid=2247487836&idx=1&sn=1046ec2e8890accf029c4a1beb0f76fe&chksm=97a0da88a0d7539e19dbd765b5a13e26fd891d5ff7bbf5759fb9b8be6325a5d78a11eca6743f&token=710061667&lang=zh_CN#rd

Introduction to Deep Learning

MIT 6.S191: Introduction to Deep Learning | 2020

CNNs for Visual Recognition

CS231n: CNNs for Visual Recognition, Stanford | Spring 2019

NLP with Deep Learning

CS224n: NLP with Deep Learning, Stanford | Winter 2019

Deep Reinforcement Learning

CS285: Deep Reinforcement Learning, UC Berkeley | Fall 2019

Unsupervised Learning

CS294-158-SP20: Deep Unsupervised Learning, UC Berkeley | Spring 2020

Multi-Task and Meta Learning

Stanford CS330: Multi-Task and Meta Learning | 2019

Introduction to Deep Learning

MIT 6.S191: Introduction to Deep Learning | 2020

麻省理工學院開授，講解關於深度學習方法的入門課程，應用於計算機視覺、自然語言處理、生物學等等！學生將學習深度學習算法的基礎知識，並獲得在Tensorflow中構建神經網絡的實踐經驗。課程最終測試是專題項目，並有來自員工和行業贊助商專業的反饋。學生需要具備微積分(即取導數)和線性代數(即矩陣乘法)基礎知識。

CNNs for Visual Recognition

CS231n: CNNs for Visual Recognition, Stanford | Spring 2019

計算機視覺在我們的社會中用於已經變得無處不在，在搜索、圖像理解、應用、地圖繪製、醫學、無人機和自動駕駛汽車方面都有應用。這些應用的核心是視覺識別任務，如圖像分類、定位和檢測。神經網絡(又稱“深度學習”)方法的最新發展極大地提高了這些最先進的視覺識別系統的性能。本課程深入探討深度學習體系結構的細節，重點是學習這些任務的端到端模型，尤其是圖像分類。在爲期10周的課程中，學生將學習實現、訓練和調試自己的神經網絡，並獲得對計算機視覺前沿研究的詳細理解。

NLP with Deep Learning

CS224n: NLP with Deep Learning, Stanford | Winter 2019

自然語言處理(NLP)是人工智能(AI)的一個重要部分，它模擬了人們如何共享信息。近年來，深度學習方法在許多自然語言處理任務中取得了很高的性能。在本課程中，學生將全面學習面向自然語言處理的前沿神經網絡。

Deep Reinforcement Learning

CS285: Deep Reinforcement Learning, UC Berkeley | Fall 2019

Unsupervised Learning

CS294-158-SP20: Deep Unsupervised Learning, UC Berkeley | Spring 2020

本課程涵蓋兩個深度學習領域，其中不需要標註數據:深度生成模型和自監督學習。最近在生成模型方面的進展使得現實地模擬高維原始數據成爲可能，例如自然圖像、音頻波形和文本語料庫。在對看不見的任務進行微調方面，自監督學習的進展已經開始縮小監督表示學習和非監督表示學習之間的差距。本課程將涵蓋這些主題的理論基礎及其最新的應用。