1.Andrew Ng的機器學(xué)習(xí)課程可以作為入門。

這門課程花費了很多的課時去講解監(jiān)督學(xué)習(xí)算法，例如線性回歸、邏輯回歸、SVM等，同時也花了很多時間去討論無監(jiān)督學(xué)習(xí)算法，例如聚類、降維和異常檢測等等。

本課程中還涉及到了一些機器學(xué)習(xí)在學(xué)術(shù)界和工業(yè)界的應(yīng)用，像推薦系統(tǒng)、計算機視覺的滑動窗口對象分類等。這門課能夠很好地幫助剛接觸人工智能的同學(xué)們?nèi)腴T，如果認(rèn)真地去完成課后作業(yè)，也會使同學(xué)們在相關(guān)工具的使用上變得熟練。

鏈接：https://www.bilibili.com/video/av9912938

2.需要了解AI如何布局到公司以及AI對社會的影響，可以參考Andrew Ng的最新課程《AI for everyone》。

這是一門非技術(shù)類的課程，更主要的是談?wù)揂I如何布局到公司以及隨著AI的發(fā)展會給我們的社會帶來什么樣的影響。但是對于現(xiàn)在在工業(yè)界的人士來講，是很有幫助的。

從這門課的大綱來看，我們可以學(xué)到常見人工智能的相關(guān)概念、人工智能可以做什么，不可以做什么、AI怎么布局到公司中、怎么和AI團隊建立合作以及AI引發(fā)的相關(guān)倫理道德問題。

鏈接：https://www./learn/ai-for-everyone?action=enroll&errorCode=existingCourseraAccount

3.Google的機器學(xué)習(xí)速成課程，這門課從文字到聲音都有中文版，適合多數(shù)當(dāng)代剛?cè)腴T的大學(xué)生。

這個速成課通過20小時的密集型實踐課程來介紹機器學(xué)習(xí)的基礎(chǔ)知識，并且附帶TensorFlow練習(xí)。谷歌官方稱其為機器學(xué)習(xí)愛好者的自學(xué)指南，并且相關(guān)的課程資料都是用中文來編寫的，對于剛?cè)腴T的大學(xué)生和愛好者在知識理解上會有很大的幫助。

鏈接：https://developers.google.com/machine-learning/crash-course

4.臺灣大學(xué)林軒田的機器學(xué)習(xí)基石和機器學(xué)習(xí)技法課程也非常不錯。

臺灣大學(xué)的林軒田老師開的這兩門有關(guān)機器學(xué)習(xí)的課程是全球首例純國語授課的機器學(xué)習(xí)課程，其中機器學(xué)習(xí)基石主要涉及一些機器學(xué)習(xí)的基礎(chǔ)知識，包含了少量的理論知識。另外一門機器學(xué)習(xí)技法則主要側(cè)重機器學(xué)習(xí)的應(yīng)用技能，對于有興趣愛好的同學(xué)來講十分適合。

鏈接：http://www.csie./~htlin/mooc/

5.臺灣大學(xué)李宏毅的深度強化學(xué)習(xí)課程。

這門課程是深度學(xué)習(xí)的進(jìn)階版，非常適合深度學(xué)習(xí)的相關(guān)從業(yè)者，課程內(nèi)容豐富易懂。但是在學(xué)習(xí)這門課之前建議大家先去看一下李宏毅老師的《一天搞懂深度學(xué)習(xí)》的ppt，在ppt中對深度學(xué)習(xí)的原理，目前的應(yīng)用和未來的發(fā)展進(jìn)行了相關(guān)介紹。在學(xué)習(xí)完成以后我們就可以學(xué)習(xí)深度強化學(xué)習(xí)了。深度強化學(xué)習(xí)這門課主要介紹了一些高級算法，像策略梯度算法、近端策略優(yōu)化、Q-learning算法等等，適合想要深入研究深度學(xué)習(xí)的同學(xué)們。

一天搞懂深度學(xué)習(xí)ppt：http://ishare.iask.sina.com.cn/f/15YsFr66p-a.html

深度強化學(xué)習(xí)：http://www.bilibili.com/video/av24724071

6.斯坦福CS224d自然語言處理的深度學(xué)習(xí)。

這門課是全球NLP(自然語言處理)領(lǐng)域最受歡迎的課程之一，不僅能夠讓我們了解豐富的自然語言處理應(yīng)用案例，而且能讓我們在實踐中去學(xué)會搭建最先進(jìn)的自然語言處理模型。

該課程全面介紹了應(yīng)用于NLP的深度學(xué)習(xí)尖端研究。在模型方面，介紹詞向量表示、基于窗口的神經(jīng)網(wǎng)絡(luò)、時間遞歸神經(jīng)網(wǎng)絡(luò)、長期短期記憶模型、結(jié)構(gòu)遞歸神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)以及一些涉及存儲器組件的最新模型。通過課后作業(yè)，我們能夠掌握神經(jīng)網(wǎng)絡(luò)解決實際NLP問題的必備技巧。

鏈接：http://cs224d./syllabus.html

7.斯坦福CS231n面向視覺識別的卷積神經(jīng)網(wǎng)絡(luò)。

計算機視覺在社會中已經(jīng)逐漸普及，并廣泛運用于搜索檢索、圖像理解、手機應(yīng)用、地圖導(dǎo)航、醫(yī)療制藥、無人機和無人駕駛汽車等領(lǐng)域。而這些應(yīng)用的核心技術(shù)就是圖像分類、圖像定位和圖像探測等視覺識別任務(wù)。神經(jīng)網(wǎng)絡(luò)方法上的進(jìn)展極大地提升了這些代表當(dāng)前發(fā)展水平的視覺識別系統(tǒng)的性能。

這門課程深入講解了深度學(xué)習(xí)框架的細(xì)節(jié)問題，聚焦面向視覺識別任務(wù)（尤其是圖像分類任務(wù)）的端到端學(xué)習(xí)模型。在10周的課程中，學(xué)生們將會學(xué)習(xí)如何實現(xiàn)、訓(xùn)練和調(diào)試他們自己的神經(jīng)網(wǎng)絡(luò)，并建立起對計算機視覺領(lǐng)域的前沿研究方向的細(xì)節(jié)理解。最終的作業(yè)將包括訓(xùn)練一個有幾百萬參數(shù)的卷積神經(jīng)網(wǎng)絡(luò)，并將其應(yīng)用到最大的圖像分類數(shù)據(jù)庫（ImageNet）上。

鏈接：http://vision./teaching/cs231n/index.html

8.UC Berkeley CS294深度強化學(xué)習(xí)。

這門課主要包含以下內(nèi)容：從監(jiān)督學(xué)習(xí)到?jīng)Q策，Q學(xué)習(xí)和策略梯度，高級模型學(xué)習(xí)和預(yù)測、distillation、獎勵學(xué)習(xí)，置信域策略梯度、actor-critic 方法、探索等。通過這門課程的學(xué)習(xí)，能夠讓我們了解最新最前沿的深度學(xué)習(xí)技術(shù)，對于以后不論從事科研或者是項目開發(fā)都很有幫助。

課程主頁：http://rll./deeprlcourse/

鏈接：https://www./playlist?list=PLkFD6_40KJIznC9CDbVTjAF2oyt8_VAe3

9.MIT自動駕駛課程《Deep Learning for Self-DrivingCars》。

這門課程的針對性較強，主要針對對自動駕駛有興趣的同學(xué)，這門課對于無人駕駛能夠應(yīng)用到的技術(shù)進(jìn)行了詳細(xì)的介紹，在介紹深度學(xué)習(xí)部分，概述了計算機視覺領(lǐng)域研究的難點，深度學(xué)習(xí)得以大規(guī)模發(fā)展的幾個原因，目前的幾個制約其發(fā)展的因素，深度學(xué)習(xí)的主要應(yīng)用等。

這部分可以促進(jìn)入門者對于深度學(xué)習(xí)的理解。同時還提出了一些目前自動駕駛方面存在的挑戰(zhàn)，也介紹了常用的框架和工具。有意從事自動駕駛方面工作的同學(xué)可以仔細(xì)學(xué)習(xí)一下。

鏈接：https://selfdrivingcars./

10.Deeplearning.ai最新的TensorFlow2.0課程《Introduction to TensorFlow for Artificial Intelligence, MachineLearning, and Deep Learning》發(fā)布在coursera上。

在最開始的時候我們提到了Andrew Ng的機器學(xué)習(xí)課程，這個TensorFlow課程將會教我們怎么用TensorFlow去實現(xiàn)之前學(xué)過的機器學(xué)習(xí)和深度學(xué)習(xí)的算法。

通過這門課程我們可以開始構(gòu)建屬于自己的AI項目，有很強的實踐性，這樣我們就可以用學(xué)過的知識去解決實際問題。另外課程的所有課后作業(yè)基于Google的Colaboratory平臺，有點類似于我們平時用的Jupyter，在線的使用方式讓我們省去了很多配置環(huán)境的麻煩。

鏈接：https://www./learn/introduction-tensorflow/