李飞飞、吴恩达、Bengio等人的15大顶级深度学习课程

标签：cat   应用   VID   压缩版   网络   处理   快速   online   nlp   

目前，深度学习和深度强化学习已经在实践中得到了广泛的运用。资源型博客sky2learn整理了15个深度学习和深入强化学习相关的在线课程，其中包括它们在自然语言处理（NLP），计算机视觉和控制系统中的应用教程。

这些课程涵盖了神经网络，卷积神经网络，循环网络和其变体，训练深度网络的困难，无监督表示学习，深度信念网络，深玻尔兹曼机器，深度Q学习，价值函数估计和优化以及蒙特卡洛树搜索等多种算法的基础知识。

吴恩达：深度学习专项

这系列课程侧重于讲解深度学习的基础和在不同领域的运用方式，如医疗健康，自动驾驶，手语阅读，音乐生成和自然语言处理等。课程共包含五个子课程，有视频讲座。同时，课程用户将获得使用TensorFlow解决实际问题的实践经验。

链接：https://www.coursera.org/specializations/deep-learning

CMU: 深度学习

该课程由苹果人工智能研究所主任Ruslan Salakhutdinov主导。课程首先讲解了一些例如前馈神经网络、反向传播、卷积模型等的基本知识。然后介绍深度学习中的要点，包括有向图和无向图模型，独立成分分析（ICA），稀疏编码，自动编码器，限制玻尔兹曼机（RBM），蒙特卡罗方法，深度信念网络，深度玻尔兹曼机和亥姆霍兹机。其他内容包括深度网络中的正则化和优化、序列建模和深度强化学习。

链接：http://www.cs.cmu.edu/~rsalakhu/10707/

斯坦福大学：深度学习理论（Stat385）

本课程讨论深度学习理论方面的知识。有8次特邀嘉宾讲座，这些嘉宾是深度学习、计算神经科学和统计学方面的领军人物。您将有机会在深度学习中，针对当前的研究趋势，探索他们观点的多样性和跨学科性。这门课有视频讲座。

链接：https://stats385.github.io/

Yoshua Bengio: 深度学习

该课程由蒙特利尔大学主导。课程首先回顾了神经网络的基本知识，包括感知器，反向传播算法和梯度优化。然后介绍了神经网络、概率图形模型、深度网络和表示学习等前沿知识。

链接：https://ift6266h16.wordpress.com/

UC Berkeley: 深度强化学习

该课程包括强化学习的基本知识：Q-学习和策略梯度，同时还包含了高级模型学习和预测、提取、奖励学习以及高级深度强化学习，例如信赖域策略梯度方法、actor-critic方法、探索方法。本门课有视频讲座。

链接：http://rll.berkeley.edu/deeprlcourse/

Yoshua Bengio: 深度学习与强化学习暑期学校

暑期学校是由Yoshua Bengio和他的同事们组织。课程包括了深度学习和强化学习两个方向，内容有两个领域的基本知识，研究趋势和最新发现。课程特别邀请这两个领域的主要学者和研究人员进行讲解。暑期学校有视频讲座。

链接：https://mila.quebec/en/cours/deep-learning-summer-school-2017/

Google & Udacity: 深度学习

该课程由谷歌首席科学家Vincent Vanhoucke和Udacity的Arpan Chakraborty共同创立。课程内容包括深度学习、深层神经网络、卷积神经网络和针对文本和序列的深层模型。课程作业要求使用tensorflow。这门课有视频讲座。

链接：https://cn.udacity.com/course/deep-learning–ud730

斯坦福大学：基于深度学习的自然语言处理（CS224n）

该课程是2017年冬斯坦福大学 “cs224n：深度学习中的自然语言处理”课程的压缩版，也是斯坦福大学2018课程的延续版。课程讨论了如何将深度学习应用在自然语言处理中，自然语言处理中的问题以及在自然语言处理中使用深度学习的限制。讲师有Christopher Manning和Richard Socher。

链接： 
https://www.youtube.com/playlist?list=PL3FW7Lu3i5Jsnh1rnUwq_TcylNr7EkRe6

牛津大学：自然语言处理中的深度学习

本课程涵盖深度学习的基本原理以及如何将其应用在自然语言处理中。用户将学习如何定义这个领域中的数学问题，以及获得使用CPU和GPU的实际编程的经验。讲师分别来自牛津大学、CMU、DeepMind和英伟达公司。 这门课程包括视频讲座。

链接：https://github.com/oxford-cs-deepnlp-2017/lectures

李飞飞：视觉识别中的卷积神经网络（cs231n）

本课程将涵盖深度学习的基础知识，以及如何将深度学习技术应用于计算机视觉。学生将通过作业和最终项目获得如何训练和微调神经网络的实践经验。该课程主要使用Python语言。本课程包括视频讲座。

链接：http://cs231n.stanford.edu/

CMU: 深度强化学习与控制

本课程由苹果人工智能研究所主任Ruslan salakhutdinovat和CMU的Katerina Fragkiadaki主导。内容包括深度学习，强化学习，马尔可夫链决策过程（MDP），部分可观马尔可夫链决策过程（POMDPs），时序差分学习，Q学习，深度学习，深刻Q学习的基础知识。前沿话题包括最优化控制、轨道优化、层次强化学习和迁移学习。

链接：https://katefvision.github.io/

CMU: 深度学习入门

本课程由苹果公司人工智能研究所主任Ruslan Salakhutdinov主导，对深度学习做了一个快速而深入的介绍。课程共分为四个一小时时长的视频讲座，涵盖了监督学习，无监督学习，以及深度学习中的模型评估和开放式的研究问题等内容。

链接：https://simons.berkeley.edu/talks/tutorial-deep-learning

RLDM: 深度强化学习入门

课程由DeepMind的David Silver主导，发表于第二届强化学习与决策多学科会议（RLDM）上。在这一个半小时的视频教程中，用户将了解深度学习，强化学习的基本原理，以及如何将深度学习和强化学习以各种方式结合：即深度价值函数，深度策略，和深度模型。此外，用户还能向顶级专家学习如何处理这些方法中的发散问题。

链接：http://videolectures.net/rldm2015_silver_reinforcement_learning/

UC Berkeley: 深度强化学习入门

这是一个关于强化学习长达一小时的教程，配有视频讲座。用户将看到强化学习能有多厉害。

链接：https://simons.berkeley.edu/talks/pieter-abbeel-2017-3-28

MLSS: 深度强化学习入门

课程由OpenAI公司的研究科学家John Schulman主导，包括4个1小时长的视频讲座，并带有针对实验室问题的练习。

链接： 
https://www.youtube.com/playlist?list=PLjKEIQlKCTZYN3CYBlj8r58SbNorobqcp

原文地址：https://sky2learn.com/deep-learning-reinforcement-learning-online-courses-and-tutorials-theory-and-applications.html

李飞飞、吴恩达、Bengio等人的15大顶级深度学习课程

标签：cat   应用   VID   压缩版   网络   处理   快速   online   nlp   

原文地址：https://www.cnblogs.com/lhuser/p/9639658.html