最佳付费机器学习和AI课程，助你从零基础到精通

这是一份精心挑选的、高质量的机器学习和人工智能课程与视频讲座列表。所有课程都是由顶尖的人工智能研究人员和教师制作的高质量视频讲座。除了视频讲座，我还提供了课程网站、课堂讲稿、补充阅读材料和作业链接。

入门课程

以下是几门适合初学者的课程。无需具备机器学习或人工智能的基础知识。你需要掌握一些线性代数、微积分和概率的基本知识。具备一定的编程经验也很好。

• 机器学习（斯坦福大学CS229）
  这门课程是了解机器学习概念和技巧的经典之作。课程涵盖了广泛使用的技巧，并详细复习了必要的数学概念。

• 卷积神经网络视觉识别（斯坦福大学CS231n）
  这门课程是深入了解深度学习的好方法。它主要关注卷积神经网络和计算机视觉，但也涵盖了递归网络和强化学习的概览。

• 人工智能导论（加州大学伯克利分校CS188）
  该课程覆盖了整个AI领域，包括搜索方法、博弈树、机器学习、贝叶斯网络和强化学习。

• 运用机器学习2020（哥伦比亚大学）
  这门课程是斯坦福大学CS229课程的替代方案，具有更强的应用视角。你将看到更多代码，而不仅仅是数学。课程使用流行的Python库scikit-learn和Keras。

• David Silver介绍强化学习（DeepMind）
  作为AlphaGo和AlphaZero的主要研究人员之一，David Silver介绍了强化学习。

• 自然语言处理与深度学习（斯坦福大学CS224N）
  这门课程涵盖了现代NLP技术，包括循环神经网络、词嵌入、Transformer和自注意力机制。课程还讨论了问题回答和文本生成等应用主题。

高级课程

以下是一些需要具备一定机器学习和人工智能知识的高级课程。

• 深度无监督学习（加州大学伯克利分校CS294）

• 深度学习前沿（西蒙斯学院）

• 新型深度学习技术

• 深度学习几何学（微软研究院）

• 深度多任务和元学习（斯坦福大学CS330）

• 机器学习数学暑期学校2019（华盛顿大学）

• 概率图形模型（卡内基梅隆大学）

• 概率与统计机器学习2020（图宾根大学）

• 统计机器学习2020（图宾根大学）

• 移动传感和机器人2019（波恩大学）

• 传感器和形状估计课程2020（波恩大学）

• 摄影测量2015（波恩大学）

• 高级深度学习与强化学习2020（DeepMind/UCL）

• 数据驱动动力系统与机器学习

• 运用机器学习的数据驱动控制

• ECE AI研讨会系列2020（纽约大学）

• 2019年春季加州大学伯克利分校CS287高级机器人

• CSEP 546 - 机器学习（AU 2019）（华盛顿大学）

• 深度强化学习、决策与控制（加州大学伯克利分校CS285）

• 斯坦福凸优化

• CS224U：自然语言理解（2019年春季）

• 全栈深度学习2019

• 深度学习的新挑战

• 深度｜贝叶斯2019冬季学校

• CMU神经网络用于NLP2020

• 强化学习与控制的新方向（高等研究机构）

• 深度学习理论研讨会：下一站（高等研究机构）

• 深度学习：炼金术还是科学？（高等研究机构）

• 机器学习理论系列讲座（高等研究机构）

雷锋字幕组是由一群热爱人工智能的志愿者组成的翻译团队。他们汇聚了五百多名志愿者的力量，分享最新的海外AI资讯，探讨人工智能技术领域的行业变革与技术创新。

团队成员包括大数据专家、算法工程师、图像处理工程师、产品经理、产品运营、IT咨询师以及在校师生。志愿者们来自IBM、AVL、Adobe、阿里巴巴、百度等知名企业，以及北京大学、清华大学、香港大学、中国科学院、南卡罗来纳大学、早稻田大学等海内外高校和研究所。

如果你也是一位热衷于分享的AI爱好者，欢迎加入雷锋字幕组，共同学习新知，分享成长。