機器學習&深度學習公開課&PPT資源整理（待更新）

公開課

伯克利（伯克利CS的本科生課程質量都很好，抽時間看看。）
斯坦福
MIT

前修課程

（伯克利課程都有）

向量微積分 vector calculus（math53）
線性代數（math54 math110 or EE16A+16B）
機率論（CS70 or stat 134）

機器學習和深度學習

CS189/289       Introduction to machine learning 機器學習

CS281: Advanced Machine Learning

UCB  CPSC 540 也是機器學習 哥倫比亞大學        https://www.cs.ubc.ca/~nando/540-2013/lectures.html

Nando de Freitas 教授的機器學習課程清單      https://www.cs.ubc.ca/~nando/teaching.html   Nando de Freitas 教授Youtobe的主頁上有他的教程視頻

CS231 斯坦福深度視覺識別 Fei-Fei Li

MIT   David Silver講的強化學習

CS294-112 伯克利強化學習

 

Stat212b：Topics Course on Deep Learning

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

加州大學伯克利分校統計系Joan Bruna（Yann LeCun博士後） 以統計的角度講解DL。

CS224d: Deep Learning for Natural Language Processing

http://cs224d.stanford.edu/

斯坦福大學 Richard Socher 主要講解天然語言處理領域的各類深度學習模型

 

課程評價：

目前上過三個學校的課 Berkeley CS本科生的課不得不說從各個方面都是一流的。由於做爲一個工科 (especially CS) 大校，基本全校都在學碼。本科生除了college of engineering下的EECS項目(which is really hard to get in)，還有L&S學院下的CS專業。並且declare CS難度逐年陡增。
做爲一個轉專業狗，我很慶幸本身有機會選了不少優質的本科生的課 給本身 (hopefully) 打下了很好的基礎。這裏CS優質課程基本都是本科的(AKA 硬課) 每門upper-division課基本都有300-500人 lower-division課甚至有600-1000人，如著名的61系列（由於沒有declare專業的人基本都會選）每門課都會配備不少TA，TA也很是用心，回覆問題十分即便細緻，course logistics are well organized，還有discussion section十分有用，基本會把課程重點都強調一遍。相對的，研究生的課基本都是研究導向的，不會花不少時間在detail上，會討論不少前沿的科研問題。若是基礎很差，基本學不到什麼。由於Berkeley CS的graduate program基本都是phd和極少數ms，因此默認你們基礎都很好。我的認爲若是基礎很差 直接來上graduate的課學不到什麼。
做爲一個非CS的MS，由於本身項目十分flexible，因此有一半的課程能夠隨便選 因而全選了CS課。在Berkeley期間學了61C, 161, 162, 170, 189/289, 280, 281。能夠說每門課都頗有用 學到了不少。
由於本科學過基本算法和數據結構還有各類語言，就沒有上61B
下面是部分課程介紹：
61C machine structure, 從C, assembly到CPU設計全過了一遍，還有spark, OS basics，systems的入門。照理這課應該是CS的入門課 可是我是在學了不少高級概念之後再來學 感受會有不少不同的理解。課程量巨大，一個project設計一個CPU（用logic gate），一個project用C寫一個program that translates assembly into machine code，另外一個project實現高效矩陣運算（openMP, SIMD）。
162 OS 號稱CS神課之一，工做量巨大，一個學期3個homework，1個巨型project（implement an OS, 參考stanford OS project）。3個homework每一個基本至關於別的課的一個project（implement a HTTP server, implement a shell, implement malloc etc）全部都是C寫的
170 算法 另外一神課。偏理論，做業全是證實和pseudo code，沒有真正寫碼，可是幾乎涵蓋全部面試內容（although後半學期全在講NP completeness各類證實，randomized algorithm）
189 ML，任務量也很大，上課和考試基本都是理論，做業是用python implement各類ML model from scratch包括neural net, random forest
我的感受project的質量都很好，course staff設計的很用心，考試也有必定難度（相似T大本科生考試，會出一些怪題，十分考驗對基礎知識的掌握，基本每次平均分只有50/100左右，雖然最後會curve）

以上針對EECS系，別的系（應該）相對會水一些。 仍是十分羨慕Berkeley CS的本科生的 有這麼好的教育 並且還物美價廉（公立）

 

國內本科過來交流...天真直接選了 61c，170，164，164...第1、二週簡直就要死掉了...因而默默退掉了162和164...