awesome ml courses
1.0.0
Une liste organisée de superbes cours gratuits d’apprentissage automatique et d’intelligence artificielle avec des conférences vidéo. Tous les cours sont disponibles sous forme de conférences vidéo de haute qualité données par certains des meilleurs chercheurs et enseignants en IA de la planète.
Outre les conférences vidéo, j'ai relié les sites Web des cours avec des notes de cours, des lectures supplémentaires et des devoirs.
Ce sont d’excellents cours pour débuter dans l’apprentissage automatique et l’IA. Aucune expérience préalable en ML et en IA n'est nécessaire. Vous devez avoir des connaissances en algèbre linéaire, en calcul d'introduction et en probabilités. Une certaine expérience en programmation est également recommandée.
Apprentissage automatique (Stanford CS229) | Site Web du cours
Ce classique moderne des cours d'apprentissage automatique constitue un excellent point de départ pour comprendre les concepts et les techniques de l'apprentissage automatique. Le cours couvre de nombreuses techniques largement utilisées. Les notes de cours sont détaillées et passent en revue les concepts mathématiques nécessaires.
Réseaux de neurones convolutifs pour la reconnaissance visuelle (Stanford CS231n) | Site Web du cours
Une excellente façon de commencer avec l’apprentissage profond. Le cours se concentre sur les réseaux de neurones convolutifs et la vision par ordinateur, mais donne également un aperçu des réseaux récurrents et de l'apprentissage par renforcement.
Introduction à l'intelligence artificielle (UC Berkeley CS188) | Site Web du cours
Couvre tout le domaine de l’IA. Des méthodes de recherche, des arbres de jeu et de l'apprentissage automatique aux réseaux bayésiens et à l'apprentissage par renforcement.
Apprentissage automatique appliqué 2020 (Columbia)
Alternative au Stanford CS229. Comme son nom l'indique, ce cours adopte une perspective plus appliquée que la conférence sur l'apprentissage automatique d'Andrew Ng à Stanford. Vous verrez plus de code que de mathématiques. Les concepts et les algorithmes utilisent les bibliothèques Python populaires scikit-learn et Keras.
Introduction à l'apprentissage par renforcement avec David Silver (DeepMind) | Site Web du cours
Introduction à l'apprentissage par renforcement par l'un des principaux chercheurs derrière AlphaGo et AlphaZero.
Traitement du langage naturel avec apprentissage profond (Stanford CS224N) | Site Web du cours
Techniques modernes de PNL, depuis les réseaux neuronaux récurrents et l'intégration de mots jusqu'aux transformateurs et à l'attention personnelle. Couvre des sujets appliqués tels que la réponse aux questions et la génération de texte.
Apprentissage profond - NYU - 2020 | Site Web du cours
Ce cours concerne les dernières techniques d'apprentissage profond et d'apprentissage par représentation, en se concentrant sur l'apprentissage profond supervisé et non supervisé, les méthodes d'intégration, l'apprentissage métrique, les réseaux convolutifs et récurrents, avec des applications à la vision par ordinateur, à la compréhension du langage naturel et à la reconnaissance vocale.
Apprentissage automatique avec graphiques (Stanford CS224W) | Site Web du cours
Présentation complète des techniques d'apprentissage automatique appliquées aux données structurées sous forme de graphiques. Les sujets incluent les intégrations de nœuds, les réseaux de neurones graphiques (GNN), les graphiques hétérogènes, les graphiques de connaissances et leurs applications. Le cours couvre également des sujets avancés tels que la correspondance de sous-graphes neuronaux, les transformateurs de graphiques et la mise à l'échelle des GNN en grands graphiques.
Cours avancés qui nécessitent des connaissances préalables en apprentissage automatique et en IA.
Apprentissage profond non supervisé (UC Berkeley CS294) | Site Web du cours
Frontières du Deep Learning (Simons Institute) | Site Web du cours
Nouvelles techniques d'apprentissage profond | Site Web du cours
Géométrie du Deep Learning (Microsoft Research) | Site Web du cours
Multitâche approfondi et méta-apprentissage (Stanford CS330) Automne 2022 | Site Web du cours
École d'été sur les mathématiques de l'apprentissage automatique 2019 (Université de Washington) | Site Web du cours
Modèles graphiques probabilistes (Université Carneggie Mellon) | Site Web du cours
Apprentissage automatique probabiliste et statistique 2020 (Université de Tübingen)
Apprentissage automatique statistique 2020 (Université de Tübingen)
Détection mobile et robotique 2019 (Université de Bonn)
Cours sur les capteurs et l'estimation d'état 2020 (Université de Bonn)
Photogrammétrie 2015 (Université de Bonn)
Apprentissage profond avancé et apprentissage par renforcement 2020 (DeepMind / UCL)
Systèmes dynamiques basés sur les données avec apprentissage automatique
Contrôle basé sur les données avec apprentissage automatique
Série de séminaires ECE sur l'IA 2020 (NYU)
CS287 Advanced Robotics à l'UC Berkeley automne 2019
CSEP 546 - Apprentissage automatique (AU 2019) (U de Washington)
Apprentissage par renforcement profond, prise de décision et contrôle (UC Berkeley CS285)
Optimisation convexe de Stanford
Stanford CS224U : Compréhension du langage naturel | Printemps 2019
Apprentissage profond Full Stack 2019
Défis émergents du Deep Learning
École d'été Deep|Bayes 2019
Réseaux neuronaux CMU pour la PNL 2020
Nouvelles orientations en matière d'apprentissage et de contrôle par renforcement (Institute for Advanced Study)
Atelier sur la théorie du Deep Learning : Where Next (Institute for Advanced Study)
Deep Learning : alchimie ou science ? (Institut d'études avancées)
Série de conférences théoriques sur l'apprentissage automatique (Institute for Advanced Study)
Mathématiques du Big Data et de l'apprentissage automatique (MIT)
Introduction à l'IA centrée sur les données (MIT) | Vidéos de conférences | Travaux de laboratoire
Les transformateurs comme modèle informatique (UC Berkeley, Simons Institute)
