机器学习&深度学习公开课&PPT资源整理（待更新）

公开课

伯克利（伯克利CS的本科生课程质量都很好，抽时间看看。）
斯坦福
MIT

前修课程

（伯克利课程都有）

向量微积分 vector calculus（math53）
线性代数（math54 math110 or EE16A+16B）
几率论（CS70 or stat 134）

机器学习和深度学习

CS189/289       Introduction to machine learning 机器学习

CS281: Advanced Machine Learning

UCB  CPSC 540 也是机器学习 哥伦比亚大学        https://www.cs.ubc.ca/~nando/540-2013/lectures.html

Nando de Freitas 教授的机器学习课程清单      https://www.cs.ubc.ca/~nando/teaching.html   Nando de Freitas 教授Youtobe的主页上有他的教程视频

CS231 斯坦福深度视觉识别 Fei-Fei Li

MIT   David Silver讲的强化学习

CS294-112 伯克利强化学习

 

Stat212b：Topics Course on Deep Learning

http://joanbruna.github.io/stat212b/

加州大学伯克利分校统计系Joan Bruna（Yann LeCun博士后） 以统计的角度讲解DL。

CS224d: Deep Learning for Natural Language Processing

http://cs224d.stanford.edu/

斯坦福大学 Richard Socher 主要讲解天然语言处理领域的各类深度学习模型

 

课程评价：

目前上过三个学校的课 Berkeley CS本科生的课不得不说从各个方面都是一流的。由于做为一个工科 (especially CS) 大校，基本全校都在学码。本科生除了college of engineering下的EECS项目(which is really hard to get in)，还有L&S学院下的CS专业。并且declare CS难度逐年陡增。
做为一个转专业狗，我很庆幸本身有机会选了不少优质的本科生的课 给本身 (hopefully) 打下了很好的基础。这里CS优质课程基本都是本科的(AKA 硬课) 每门upper-division课基本都有300-500人 lower-division课甚至有600-1000人，如著名的61系列（由于没有declare专业的人基本都会选）每门课都会配备不少TA，TA也很是用心，回复问题十分即便细致，course logistics are well organized，还有discussion section十分有用，基本会把课程重点都强调一遍。相对的，研究生的课基本都是研究导向的，不会花不少时间在detail上，会讨论不少前沿的科研问题。若是基础很差，基本学不到什么。由于Berkeley CS的graduate program基本都是phd和极少数ms，因此默认你们基础都很好。我的认为若是基础很差 直接来上graduate的课学不到什么。
做为一个非CS的MS，由于本身项目十分flexible，因此有一半的课程能够随便选 因而全选了CS课。在Berkeley期间学了61C, 161, 162, 170, 189/289, 280, 281。能够说每门课都颇有用 学到了不少。
由于本科学过基本算法和数据结构还有各类语言，就没有上61B
下面是部分课程介绍：
61C machine structure, 从C, assembly到CPU设计全过了一遍，还有spark, OS basics，systems的入门。照理这课应该是CS的入门课 可是我是在学了不少高级概念之后再来学 感受会有不少不同的理解。课程量巨大，一个project设计一个CPU（用logic gate），一个project用C写一个program that translates assembly into machine code，另外一个project实现高效矩阵运算（openMP, SIMD）。
162 OS 号称CS神课之一，工做量巨大，一个学期3个homework，1个巨型project（implement an OS, 参考stanford OS project）。3个homework每一个基本至关于别的课的一个project（implement a HTTP server, implement a shell, implement malloc etc）全部都是C写的
170 算法 另外一神课。偏理论，做业全是证实和pseudo code，没有真正写码，可是几乎涵盖全部面试内容（although后半学期全在讲NP completeness各类证实，randomized algorithm）
189 ML，任务量也很大，上课和考试基本都是理论，做业是用python implement各类ML model from scratch包括neural net, random forest
我的感受project的质量都很好，course staff设计的很用心，考试也有必定难度（相似T大本科生考试，会出一些怪题，十分考验对基础知识的掌握，基本每次平均分只有50/100左右，虽然最后会curve）

以上针对EECS系，别的系（应该）相对会水一些。 仍是十分羡慕Berkeley CS的本科生的 有这么好的教育 并且还物美价廉（公立）

 

国内本科过来交流...天真直接选了 61c，170，164，164...第1、二周简直就要死掉了...因而默默退掉了162和164...