【AI学习资源清单】
这份清单由Victor整理，分为 视频课程 (Video Courses) 和 书籍 (Books) 两部分，涵盖了深度学习和神经网络领域的优质学习资源。
视频课程 (Video Courses)
- Neural Networks by 3Blue1Brown
- 描述: 通过直观的动画和清晰的讲解，深入浅出地介绍神经网络的基础概念。非常适合初学者入门。
- Neural Networks: Zero to Hero by Andrej Karpathy
- 描述: 由特斯拉AI主管Andrej Karpathy亲自授课，从零开始构建神经网络，实战性强，强调代码实现。
- Deep Generative Models by Prof Prathosh AP
- 描述: 深入探讨深度生成模型，例如GANs (生成对抗网络) 和变分自编码器 (VAEs) 等。
- Deep Learning by MIT
- 描述: 麻省理工学院 (MIT) 的深度学习课程，内容涵盖广泛，理论与实践结合。
- Group Equivariant Deep Learning by Erik Bekkers
- 描述: 专注于群等变深度学习，这是一个相对前沿的领域，探讨如何构建对特定变换具有不变性的神经网络。
- Deep Learning Book Companion Videos
- 描述: 与经典深度学习书籍 (可能指 Goodfellow, Bengio, Courville 的 "Deep Learning" 书籍) 配套的视频课程，帮助理解书中的内容。
- Deep Learning: CS 182 Spring 2021 by UC Berkeley
- 描述: 加州大学伯克利分校 (UC Berkeley) 的 CS 182 深度学习课程，内容深入，涵盖最新的研究进展。
- Deep Learning by Ahlad Kumar
- 描述: 另一个深度学习课程
- Stanford CS224N: Natural Language Processing with Deep Learning
- 描述: 斯坦福大学 (Stanford) 的 CS224N 课程，专注于自然语言处理 (NLP) 与深度学习的结合，是NLP领域的经典课程。
- LLM Bootcamp
- 描述: 专注于大型语言模型 (LLMs) 的训练营课程，涵盖LLM的原理、应用和实践技巧。
- Practical Deep Learning
- 描述: fast.ai 提供的实用深度学习课程，强调实战和快速上手，适合希望快速应用深度学习技术的学习者。
- Full Stack Deep Learning
- 描述: 全面介绍深度学习应用开发的各个环节，从模型训练到部署上线，涵盖全栈知识。
- The Complete Mathematics of Neural Networks and Deep Learning by Adam Dhalla
- 描述: 深入讲解神经网络和深度学习背后的数学原理，帮助理解算法的本质。
- Selected topics on Deep Learning by DeepBean
- 描述: DeepBean提供的深度学习专题课程，可能涵盖一些特定的深度学习技术或应用。
- Building Neural Networks from Scratch by Vizvara
- 描述: 从零开始构建神经网络的课程，强调代码实现和原理理解。
- Machine Learning Specialization by Andrew Ng
- 描述: 由吴恩达 (Andrew Ng) 教授在 Coursera 上开设的机器学习专项课程，是机器学习领域的经典入门课程，也涉及神经网络和深度学习的基础知识。
- Andrej Karpathy's Deep Learning Videos
- 描述: Andrej Karpathy 在 YouTube 频道上发布的深度学习相关视频，内容涵盖广泛，包括技术讲解、论文解读、项目分享等。
- Deep Learning Course from IIT Madras
- 描述: 印度理工学院马德拉斯分校 (IIT Madras) 提供的深度学习课程，侧重于理论基础和数学推导。
- Building LLMs from scratch by Vizvara
- 描述: 从零开始构建大型语言模型 (LLMs) 的课程，深入了解LLM的内部机制。
- Hands on Large Language Models by Vizvara
- 描述: 实践操作大型语言模型 (LLMs) 的课程，侧重于LLM的应用和实践技巧。
- Deep Learning for Computer Vision
- 描述: 专注于深度学习在计算机视觉领域的应用，例如图像识别、目标检测、图像分割等。
- Computer Vision by Pratik Jain
- 描述: Pratik Jain 提供的计算机视觉课程，可能涵盖计算机视觉的基础知识和深度学习的应用。
- Computer Vision in Matlab
- 描述: 使用 Matlab 进行计算机视觉开发的课程，适合希望使用 Matlab 进行图像处理和计算机视觉任务的学习者。
- The Full Stack
- 描述: 全栈深度学习课程的一部分，可能更侧重于工程实践和应用部署。 (链接指向课程网站，需要进一步探索具体内容)
- Deep Learning Architecture
- 描述: 专注于深度学习架构设计的课程，探讨不同类型的神经网络结构及其适用场景。
- Applications of ML by Yannic Kilcher
- 描述: Yannic Kilcher 提供的机器学习应用课程，可能涵盖机器学习在各个领域的实际应用案例。
- Digital Image Processing by Pratik Jain
- 描述: Pratik Jain 提供的数字图像处理课程，是计算机视觉的基础知识。
- Natural Language Processing by Yannic Kilcher
- 描述: Yannic Kilcher 提供的自然语言处理 (NLP) 课程，涵盖NLP的基础知识和深度学习在NLP中的应用。
- Papers Explained by Yannic Kilcher
- 描述: Yannic Kilcher 讲解AI论文的系列视频，帮助学习者理解最新的研究进展。
- Stanford CS224W: Machine Learning with Graphs
- 描述: 斯坦福大学 (Stanford) 的 CS224W 课程，专注于图机器学习，探讨如何使用机器学习方法处理图结构数据。
- Computer Vision by Yannic Kilcher
- 描述: Yannic Kilcher 提供的计算机视觉课程，涵盖计算机视觉的基础知识和深度学习的应用。
书籍 (Books)
- Deep Learning by Ian Goodfellow, Yoshua Bengio and Aaron Courville
- 描述: 深度学习领域的经典教科书，被称为 "花书"，内容全面深入，涵盖深度学习的理论基础和各种模型。
- Neural Networks and Deep Learning by Michael Nielsen
- 描述: 在线免费书籍，以清晰易懂的方式介绍神经网络和深度学习的基础知识，适合初学者入门。
- Foundations of Large Language Models
- 描述: 专注于大型语言模型 (LLMs) 的理论基础和最新进展，是一份较新的综述
学习路径建议 (仅供参考):
- 入门阶段:
- Neural Networks by 3Blue1Brown: 建立对神经网络的基本直观理解。
- Neural Networks and Deep Learning by Michael Nielsen: 系统学习神经网络的基础知识。
- Machine Learning Specialization by Andrew Ng: 全面了解机器学习基础，包括神经网络部分。
- Neural Networks: Zero to Hero by Andrej Karpathy: 通过代码实践加深理解，从零开始构建神经网络。
- 进阶阶段:
- Deep Learning by MIT / Deep Learning: CS 182 Spring 2021 by UC Berkeley: 系统学习深度学习的理论和模型。
- Deep Learning Book Companion Videos (配合 "花书"): 深入理解深度学习的理论细节。
- Practical Deep Learning (fast.ai): 学习快速应用深度学习的技巧。
- Full Stack Deep Learning: 了解深度学习应用开发的完整流程。
- The Complete Mathematics of Neural Networks and Deep Learning by Adam Dhalla: 深入理解背后的数学原理 (可选)。
- 专题方向深入:
- 自然语言处理 (NLP): Stanford CS224N: Natural Language Processing with Deep Learning, Natural Language Processing by Yannic Kilcher。
- 计算机视觉 (CV): Deep Learning for Computer Vision, Computer Vision by Pratik Jain, Computer Vision by Yannic Kilcher。
- 大型语言模型 (LLMs): LLM Bootcamp, Building LLMs from scratch by Vizvara, Hands on Large Language Models by Vizvara, Foundations of Large Language Models。
- 图机器学习 (Graph ML): Stanford CS224W: Machine Learning with Graphs。
- 深度生成模型 (Generative Models): Deep Generative Models by Prof Prathosh AP。
- 群等变深度学习 (Group Equivariant DL): Group Equivariant Deep Learning by Erik Bekkers。
- 保持前沿:
- Andrej Karpathy's Deep Learning Videos: 关注Andrej Karpathy的最新动态。
- Papers Explained by Yannic Kilcher: 学习最新的AI论文。
- Applications of ML by Yannic Kilcher: 了解机器学习的实际应用。
这份AI学习资源清单是一份非常宝贵的资源集合，无论是初学者还是有经验的从业者，都能从中找到适合自己的学习材料。 建议学习者根据自身的基础和兴趣，选择合适的资源进行学习，并结合实践项目来巩固知识。
希望这份整理和分析对你有所帮助！
