awesome ml courses

Tolle Kurse für maschinelles Lernen und KI

Eine kuratierte Liste großartiger, kostenloser Kurse für maschinelles Lernen und künstliche Intelligenz mit Videovorträgen. Alle Kurse sind als hochwertige Videovorlesungen von einigen der besten KI-Forscher und -Lehrer auf diesem Planeten verfügbar.

Neben den Videovorlesungen habe ich Kurswebsites mit Vorlesungsskripten, zusätzlichen Lektüren und Aufgaben verlinkt.

Einführungsvorlesungen

Dies sind großartige Kurse für den Einstieg in maschinelles Lernen und KI. Es sind keine Vorkenntnisse in ML und KI erforderlich. Sie sollten über Kenntnisse in linearer Algebra, Einführungsrechnung und Wahrscheinlichkeitsrechnung verfügen. Etwas Programmiererfahrung wird ebenfalls empfohlen.

• Maschinelles Lernen (Stanford CS229) | Kurs-Website

  Dieser moderne Klassiker der Kurse zum maschinellen Lernen ist ein guter Ausgangspunkt, um die Konzepte und Techniken des maschinellen Lernens zu verstehen. Der Kurs deckt viele weit verbreitete Techniken ab. Die Vorlesungsunterlagen sind detailliert und geben einen Überblick über notwendige mathematische Konzepte.

• Faltungs-Neuronale Netze für die visuelle Erkennung (Stanford CS231n) | Kurs-Website

  Eine großartige Möglichkeit, mit Deep Learning zu beginnen. Der Kurs konzentriert sich auf Faltungs-Neuronale Netze und Computer Vision, gibt aber auch einen Überblick über wiederkehrende Netze und Reinforcement Learning.

• Einführung in die künstliche Intelligenz (UC Berkeley CS188) | Kurs-Website

  Deckt den gesamten Bereich der KI ab. Von Suchmethoden, Spielbäumen und maschinellem Lernen bis hin zu Bayes'schen Netzwerken und Reinforcement Learning.

• Angewandtes maschinelles Lernen 2020 (Columbia)

  Alternative zu Stanford CS229. Wie der Name schon sagt, nimmt dieser Kurs eine eher angewandte Perspektive ein als Andrew Ngs Vorlesung über maschinelles Lernen in Stanford. Sie werden mehr Code als Mathematik sehen. Konzepte und Algorithmen nutzen die beliebten Python-Bibliotheken scikit-learn und Keras.

• Einführung in das Reinforcement Learning mit David Silver (DeepMind) | Kurs-Website

  Einführung in das Reinforcement Learning von einem der führenden Forscher hinter AlphaGo und AlphaZero.

• Verarbeitung natürlicher Sprache mit Deep Learning (Stanford CS224N) | Kurs-Website

  Moderne NLP-Techniken von wiederkehrenden neuronalen Netzen und Worteinbettungen bis hin zu Transformatoren und Selbstaufmerksamkeit. Behandelt angewandte Themen wie die Beantwortung von Fragen und die Texterstellung.

• Deep Learning – NYU – 2020 | Kurs-Website

  Dieser Kurs befasst sich mit den neuesten Techniken des Deep Learning und Representation Learning und konzentriert sich auf überwachtes und unüberwachtes Deep Learning, Einbettungsmethoden, metrisches Lernen, Faltungs- und wiederkehrende Netze mit Anwendungen für Computer Vision, natürliches Sprachverständnis und Spracherkennung.

• Maschinelles Lernen mit Graphen (Stanford CS224W) | Kurs-Website

  Umfassender Überblick über Techniken des maschinellen Lernens, die auf graphstrukturierte Daten angewendet werden. Zu den Themen gehören Knoteneinbettungen, graphische neuronale Netze (GNNs), heterogene Graphen, Wissensgraphen und ihre Anwendungen. Der Kurs behandelt auch fortgeschrittene Themen wie neuronales Subgraph-Matching, Graphtransformatoren und die Skalierung von GNNs auf große Graphen.

Fortgeschrittene Vorlesungen

Fortgeschrittene Kurse, die Vorkenntnisse in maschinellem Lernen und KI erfordern.

• Deep Unsupervised Learning (UC Berkeley CS294) | Kurs-Website

• Grenzen des Deep Learning (Simons Institute) | Kurs-Website

• Neue Deep-Learning-Techniken | Kurs-Website

• Geometrie des Deep Learning (Microsoft Research) | Kurs-Website

• Deep Multi-Task und Meta Learning (Stanford CS330) Herbst 2022 | Kurs-Website

• Sommerschule „Mathematik des maschinellen Lernens“ 2019 (University of Washington) | Kurs-Website

• Probabilistische grafische Modelle (Carneggie Mellon University) | Kurs-Website

• Probabilistisches und statistisches maschinelles Lernen 2020 (Universität Tübingen)

• Statistisches Maschinelles Lernen 2020 (Universität Tübingen)

• Mobile Sensing and Robotics 2019 (Universität Bonn)

• Kurs „Sensoren und Zustandsschätzung“ 2020 (Universität Bonn)

• Photogrammetrie 2015 (Universität Bonn)

• Fortgeschrittenes Deep Learning und Reinforcement Learning 2020 (DeepMind / UCL)

• Datengesteuerte dynamische Systeme mit maschinellem Lernen

• Datengesteuerte Steuerung mit maschinellem Lernen

• ECE AI Seminarreihe 2020 (NYU)

• CS287 Advanced Robotics an der UC Berkeley Herbst 2019

• CSEP 546 – ​​Maschinelles Lernen (AU 2019) (U of Washington)

• Deep Reinforcement Learning, Entscheidungsfindung und Kontrolle (UC Berkeley CS285)

• Konvexe Stanford-Optimierung

• Stanford CS224U: Verständnis natürlicher Sprache | Frühling 2019

• Full Stack Deep Learning 2019

• Neue Herausforderungen beim Deep Learning

• Deep|Bayes Sommerschule 2019

• CMU Neuronale Netze für NLP 2020

• Neue Wege im Reinforcement Learning und Control (Institure for Advanced Study)

• Workshop zur Theorie des Deep Learning: Wie geht es weiter (Institure for Advanced Study)

• Deep Learning: Alchemie oder Wissenschaft? (Institure for Advanced Study)

• Vorlesungsreihe „Theoretisches maschinelles Lernen“ (Institure for Advanced Study)

• Mathematik von Big Data und maschinellem Lernen (MIT)

• Einführung in die datenzentrierte KI (MIT) | Vorlesungsvideos | Laboraufgaben

• Transformatoren als Computermodell (UC Berkeley, Simons Institute)