|
選自 Analyticsvidhya 作者：MANISH SARASWAT 機器之心編譯 參與：Gabrielle、吳攀、李亞洲
視頻觀看建議 我將視頻分為三類：機器學習、神經(jīng)網(wǎng)絡(luò)、深度學習。為方便起見，你可以使用我創(chuàng)建的列表按順序?qū)W習。特別推薦初學者根據(jù)順序?qū)W習，以更好地理解視頻。 這套參考視頻集需要時間消化，若覺得視頻太多請根據(jù)需要調(diào)節(jié)每次的學習時長。視頻長度從幾分鐘到幾小時不等。我已寫出每個視頻的摘要，供讀者查閱。 一、機器學習相關(guān)視頻 1. 機器人和人工智能的未來（斯坦福大學，吳恩達）
總結(jié)：開啟機器學習之旅最好的方法就是，莫過于聽全世界最好的老師和專家講課。斯坦福大學 的吳恩達在此講述了自己幼時的夢想，創(chuàng)造一個可以像人類一樣思考和工作的機器人，并改善千萬人的生活。另外，他還探討了人類大腦和使機器行為更類人的軟件之間的相似性。 2. 吳恩達機器學習講座系列
總結(jié)：這是斯坦福大學吳恩達教授的斯坦福大學里所有機器學習課程列表。我從中受益良多，個人認為該課程比 Coursera 上的課程還要精彩。 視頻中包含的機器學習概念有，線性/對數(shù)回歸，監(jiān)督學習和非監(jiān)督學習，學習理論，強化學習和自適應控制等。他還討論了以下技術(shù)，包括樸素貝葉斯、神經(jīng)網(wǎng)絡(luò)、支持向量機（SVM）、貝葉斯統(tǒng)計、正則化（Regularization）、聚類（Clustering）、主成分分析（PCA）、獨立成分分析（ICA）。其中還涉及了機器學習近期的應用，如機械控制、數(shù)據(jù)挖掘、自主導航、生物信息學、語音識別、文本和網(wǎng)絡(luò)數(shù)據(jù)處理等。 如果你是個對這項技術(shù)還沒有清晰概念的小白，希望選擇透徹清晰的介紹性視頻，可以選擇這個視頻開始學習。 3. 從數(shù)據(jù)中學習 – Caltech
總結(jié)：這是 Caltech（加州理工大學）的機器學習課程，其中共含 18 個視頻。Yaser Abu-Mostafa 教授詳細論述了機器學習的各種概念和技術(shù)。其中涉及了大量的數(shù)學知識和機器學習背后的理論，還附有一些有難度的編程練習。本課程將理論與實踐相結(jié)合，從數(shù)學和啟發(fā)式的角度進行講解，每節(jié)視頻之間像講故事一樣承前啟后。我推薦學習者完成課程作業(yè)。 4.使用 Python，通過聲音編碼
總結(jié)：Tavis Rudd 在這段精彩視頻中說，他曾花費兩年時間研發(fā)出這個用聲音識別進行編碼的特性，這個特性非常出色。他用 Python 和 Emacs Lisp 進行了大量的詞匯調(diào)整（vocab tweaking）和管道膠帶編碼（duct-tape coding），進而打造了一個編碼速度更快的系統(tǒng)。他進行了現(xiàn)場展示，根據(jù)他的聲音，該系統(tǒng)幾秒鐘內(nèi)就能執(zhí)行操作，而正常情況下這需要耗時幾個小時。 5.使用 Python 做基于云的機器學習
總結(jié)：Stephen Hoover 在該視頻中講到，他任職的公司 Civis Analytics 有個用 Python 構(gòu)建的基于云的數(shù)據(jù)科學平臺，該平臺可用來分析數(shù)據(jù)，可以幫助分析師很輕易地大步提高工作效率。他還講述了該平臺機器學習的多個方面，以及在Python 中有助于數(shù)據(jù)分析的一些開源庫，比如 Pandas，NumPy ，Scikit-Learn。 如果你已經(jīng)堅持到了現(xiàn)在，我表示祝賀！完成下一個視頻，就可以探索后面的神經(jīng)網(wǎng)絡(luò)和深度學習了。如果你小時候也是個馬里奧迷，那你肯定會更對下面這個視頻感興趣的！ 6. MarI/O ，完視頻游戲的機器學習
總結(jié)：視頻展示了一個叫做 MarI/O 的計算機程序?qū)W習玩超級馬里奧游戲的過程。該程序由神經(jīng)網(wǎng)絡(luò)和遺傳算法構(gòu)建而成。從視頻中可以看到，與人腦相比該程序真正地發(fā)生了生物演進。這個程序是機器學習應用中一個很出色的案例，展現(xiàn)了在各種人類活動中機器學習廣泛的可用性。 二、神經(jīng)網(wǎng)絡(luò)相關(guān)視頻 1.神經(jīng)網(wǎng)絡(luò)入門指導
總結(jié)：這個播放列表叫做神經(jīng)網(wǎng)絡(luò)課程（Neural Network Class）。其中包括神經(jīng)網(wǎng)絡(luò)中從基礎(chǔ)到進階的各種概念，包括人工神經(jīng)元，激活函數(shù)，遞歸網(wǎng)絡(luò)訓練等。視頻內(nèi)容簡短而節(jié)奏明快，每個視頻最長不超過24分鐘。我推薦所有開始學習神經(jīng)網(wǎng)絡(luò)的人觀看該課程。 2.神經(jīng)網(wǎng)絡(luò)訓練第一部分：訓練過程
總結(jié)：該系列視頻講述了如何訓練一個神經(jīng)網(wǎng)絡(luò)，即神經(jīng)網(wǎng)絡(luò)訓練。視頻中可以非常簡便地預覽整個訓練課程。在 YouTube 點擊該視頻上的「Up Next 」 可以看到后續(xù)視頻，比如神經(jīng)網(wǎng)絡(luò)誤差計算，梯度計算等課程。 3. 人工神經(jīng)網(wǎng)絡(luò)簡介
總結(jié)：印度理工學院的 S. Sengupta 教授說，人工神經(jīng)網(wǎng)絡(luò)運用了非線性，這有助于輸入輸出映射的過程。他使用紙和筆，以最簡潔的方式完美地闡釋了人工神經(jīng)網(wǎng)絡(luò)的概念，理解起來非常容易。視頻最后他簡單講解了人工神經(jīng)網(wǎng)絡(luò)的應用情況。不要忘記點擊「Up Next 」觀看后續(xù)視頻。 4.Matt Zeiler：深度神經(jīng)網(wǎng)絡(luò)的可視化與理解
總結(jié)：卷積神經(jīng)網(wǎng)絡(luò)常用來識別物體、圖像和視頻。在這個 47 分鐘的視頻中，你會了解反卷積神經(jīng)網(wǎng)絡(luò)的概念，以及講者對卷積網(wǎng)絡(luò)中結(jié)構(gòu)選擇的看法?？梢暬淖饔镁褪钦故久恳粚泳W(wǎng)絡(luò)性能信息，以使整個網(wǎng)絡(luò)性能提高。 5. 下一代神經(jīng)網(wǎng)絡(luò)
總結(jié)：GoogleTechTalks 上，著名的 Geoffery Hinton 做了一番關(guān)于神經(jīng)網(wǎng)絡(luò)的豐富演講。該視頻將為你的深度機器學習打下堅實的基礎(chǔ)。你還可以通過視頻了解神經(jīng)網(wǎng)絡(luò)的前世今生。Geoff 提到的話題包括反向傳播（BP）、數(shù)字識別、受限玻爾茲曼機等相關(guān)內(nèi)容。 6.神經(jīng) Bots——進化的人工智能
總結(jié)：該視頻通過設(shè)計的「神經(jīng) Bots」程序闡釋了使用進化的神經(jīng)網(wǎng)絡(luò)的人工智能，并用一組預定義的指令讓該 Bots 的完整活動進行了可視化，內(nèi)容非常有趣。 7. 用于口語和翻譯詞的語音識別技術(shù)突破
總結(jié)：該視頻由 Microsoft Research 上載，是微軟首席研究官 Rick Rashid 一段簡短的演講視頻。Rick Rashid 展示了使用深度神經(jīng)網(wǎng)絡(luò)和翻譯技術(shù)（英語口語翻譯成漢語）給語音識別技術(shù)帶來的突破，與此同時，語音識別技術(shù)的常見錯誤的數(shù)量也減少了。 8. 跟細菌學習社交網(wǎng)絡(luò)
總結(jié)：該視頻中講述了關(guān)于學習的非常規(guī)話題：向細菌學習信息處理。演講者從基礎(chǔ)智能開始講述，包括認知、感覺、處理等。還展示了重新思考細菌的模式。最后，他認為可以認為細菌中的「化學 Twitter 」促進了細菌對社交網(wǎng)絡(luò)的使用。 9. 遺傳算法，學習如何跳過球
總結(jié)：視頻的名字很清楚地描述了內(nèi)容。該視頻展示了一個「基因」學會跳過球的整個過程。 10. 一個知道如何戰(zhàn)斗的遺傳算法！
總結(jié)：跟上個視頻一樣，該視頻重點描述了神經(jīng)網(wǎng)絡(luò)廣泛的應用。在該視頻中，一個遺傳算法學會了如何戰(zhàn)斗。這個視頻讓我認識到了神經(jīng)網(wǎng)絡(luò)極強的可塑性，從而提振了我的學習興趣。 三、深度學習相關(guān)視頻 1. 用 Python 實現(xiàn)深度學習簡介
總結(jié)：該視頻講解了如何用 Python 實現(xiàn)深度學習。其從介紹手寫數(shù)字識別的一個「激發(fā)興趣」的問題開始。還演示了解決基于 60,000 張圖像的數(shù)據(jù)集問題所用的全部 Python 代碼。 然后講解者重點講解了代碼，確保自己沒有錯過其中任何重要的代碼和算法。 2. 用 Theano 和 OpenDeep 實現(xiàn)深度學習（Markus Beissinger）
總結(jié)：要理解深度學習的概念，該視頻是個不錯的開始。演講者 Markus 剛開始先闡釋了深度學習背后的故事，然后快速回顧了線性代數(shù)，接著是基本的神經(jīng)網(wǎng)絡(luò)、無監(jiān)督模型和 RNN-GSN 深度學習模型。后面又闡釋了在 Python 中如何用 Theano 實現(xiàn)簡單的神經(jīng)網(wǎng)絡(luò)。 3. 深度學習：來自大數(shù)據(jù)的智能
總結(jié)：這段演講介紹了將深度學習和大數(shù)據(jù)整合起來新概念。深度學習已經(jīng)開始從大數(shù)據(jù)技術(shù)中獲取重要價值。視頻后半段，谷歌、Facebook 等科技巨頭的研究科學家進行了一次非常有用的討論。該討論涉及到對深度學習和大數(shù)據(jù)技術(shù)的未來發(fā)展至關(guān)重要的大部分元素。 4. 用于計算機視覺的深度學習（Rob Fergus）
總結(jié)：這是我找到的第一個關(guān)于計算機視覺的教程。該教程解釋了各種概念，如空間池化、歸一化、圖像分類等。最后基于一系列有用的圖像展示了各種新奇的應用。 5. 卷積神經(jīng)網(wǎng)絡(luò)
總結(jié)：牛津大學計算機科學系發(fā)布的該教程。目前為止這是已發(fā)現(xiàn)的包含卷積網(wǎng)絡(luò)內(nèi)容最多的視頻。演講者探討了在對象識別和語言問題上使用卷積網(wǎng)絡(luò)的概念，以及如何設(shè)計卷積層和池化層的方法。視頻后半段討論了在 Torch 中構(gòu)建卷積網(wǎng)絡(luò)的流程。 6. 無監(jiān)督特征學習和深度學習（吳恩達）
總結(jié)：該視頻主講者為 Coursera 創(chuàng)始人吳恩達。吳先生講述了無監(jiān)督特征學習和深度學習的發(fā)展，而深度學習可以自動將特征數(shù)據(jù)的特征表征出來。他還描述了無監(jiān)督特征學習和深度學習背后一些概念，描述了幾個算法，并還展示了一個相關(guān)的案例研究。 7. Geoff Hinton：深度學習近期進展
總結(jié)：機器學習開創(chuàng)者之一 Geoff Hinton 在視頻中講述了深度學習的最新進展。他強調(diào)了各種算法的數(shù)學方面，提到各種深度學習應用的成功案例，如對象識別、信息檢索、根據(jù)動作捕捉數(shù)據(jù)建模等。 8. 采訪谷歌人工智能和深度學習 「教父」Geoffrey Hinton
總結(jié)：這是一段 Geoffrey Hinton 接受采訪的音頻。他在其中講述了谷歌如何實現(xiàn)人工智能系統(tǒng)。另外，他還重點說明了人類的學習組件，以及使用神經(jīng)網(wǎng)絡(luò)的機器等。對每個機器學習愛好者來說，這個是一個必聽的講解。 9. 學習表征 ：學習理論下一個挑戰(zhàn)
總結(jié)：紐約大學計算機科學系的 Yann LeCun 講述了一些學習理論難以應用的領(lǐng)域，并將其作為業(yè)界研究的挑戰(zhàn)提了出來。他提到了各種深度學習的概念，尤其表達了自己對學習表征的興趣；他認為學習表征將成為人工智能機器學習技術(shù)的下一步。 10. 深度學習將如何實現(xiàn)無人駕駛
總結(jié)：該視頻來自 NVIDIA 的深度學習專家 Mike Houston。他提到一個叫做 NVIDIA DIGITS 的深度學習訓練系統(tǒng)，還有能使汽車自動駕駛的 NVIDIA DRIVE PX 平臺。以及他們的團隊在打造無人駕駛汽車和深度學習算法時用到的訓練工具和平臺。 11. 用于決策制定和控制中的深度學習
總結(jié)：視頻中，博士后研究員 Sergey Levine 與加州大學伯克利分校的 Pieter Abbeel 教授一起，探討了在決策制定和控制中深度學習的應用。最后 Sergey 重點說明了連續(xù)控制任務（Continuous Control Tasks ） 等其他更加廣泛的應用方式，另外還描述了使用監(jiān)督學習算法解決這些問題的方式。 12. 用于構(gòu)建智能計算機系統(tǒng)的大規(guī)模深度學習
總結(jié)：谷歌知識部門（Google Knowledge Group ）的高級研究員 Jeff Dean 在視頻中講解了使用神經(jīng)網(wǎng)絡(luò)和深度學習構(gòu)建更智能的計算機系統(tǒng)的方法。他重點討論了計算機系統(tǒng)的能力，如基本的語音和視覺、語言理解和用戶行為預測能力，并說明了這些技術(shù)在谷歌的各種產(chǎn)品中的應用情況。 本文由機器之心編譯，轉(zhuǎn)載請聯(lián)系本公眾號授權(quán)。 ------------------------------------------------ 加入機器之心（全職記者/實習生）：hr@almosthuman.cn 投稿或?qū)で髨蟮溃篹ditor@almosthuman.cn 廣告&商務合作：bd@almosthuman.cn |
|
|
