机器学习进阶路上不可错过的 28 个视频
視頻觀看建議
我將視頻分為三類：機器學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)、深度學(xué)習(xí)。為方便起見，你可以使用我創(chuàng)建的列表按順序?qū)W習(xí)。特別推薦初學(xué)者根據(jù)順序?qū)W習(xí)，以更好地理解視頻。
這套參考視頻集需要時間消化，若覺得視頻太多請根據(jù)需要調(diào)節(jié)每次的學(xué)習(xí)時長。視頻長度從幾分鐘到幾小時不等。我已寫出每個視頻的摘要，供讀者查閱。
一、機器學(xué)習(xí)相關(guān)視頻
1. 機器人和人工智能的未來(斯坦福大學(xué)，吳恩達)
原標(biāo)題：The Future of Robotics and Artificial Intelligence
鏈接：https://www.youtube.com/watch?v=AY4ajbu_G3k&feature=youtu.be
時長：16 分鐘 26 秒
總結(jié)：開啟機器學(xué)習(xí)之旅最好的方法就是，莫過于聽全世界最好的老師和專家講課。斯坦福大學(xué) 的吳恩達在此講述了自己幼時的夢想，創(chuàng)造一個可以像人類一樣思考和工作的機器人，并改善千萬人的生活。另外，他還探討了人類大腦和使機器行為更類人的軟件之間的相似性。
2. 吳恩達機器學(xué)習(xí)講座系列
原標(biāo)題：Lecture Collection | Machine Learning(Stanford)
鏈接：https://www.youtube.com/playlist?list=PLA89DCFA6ADACE599
時長：每課大約一個小時
總結(jié)：這是斯坦福大學(xué)吳恩達教授的斯坦福大學(xué)里所有機器學(xué)習(xí)課程列表。我從中受益良多，個人認為該課程比 Coursera 上的課程還要精彩。
視頻中包含的機器學(xué)習(xí)概念有，線性/對數(shù)回歸，監(jiān)督學(xué)習(xí)和非監(jiān)督學(xué)習(xí)，學(xué)習(xí)理論，強化學(xué)習(xí)和自適應(yīng)控制等。他還討論了以下技術(shù)，包括樸素貝葉斯、神經(jīng)網(wǎng)絡(luò)、支持向量機(SVM)、貝葉斯統(tǒng)計、正則化(Regularization)、聚類(Clustering)、主成分分析(PCA)、獨立成分分析(ICA)。其中還涉及了機器學(xué)習(xí)近期的應(yīng)用，如機械控制、數(shù)據(jù)挖掘、自主導(dǎo)航、生物信息學(xué)、語音識別、文本和網(wǎng)絡(luò)數(shù)據(jù)處理等。
如果你是個對這項技術(shù)還沒有清晰概念的小白，希望選擇透徹清晰的介紹性視頻，可以選擇這個視頻開始學(xué)習(xí)。
3. 從數(shù)據(jù)中學(xué)習(xí) – Caltech
原標(biāo)題：Learning from Data – Caltech
鏈接：https://www.youtube.com/playlist?list=PLD63A284B7615313A
時長：每課大約一個半小時
總結(jié)：這是 Caltech(加州理工大學(xué))的機器學(xué)習(xí)課程，其中共含 18 個視頻。Yaser Abu-Mostafa 教授詳細論述了機器學(xué)習(xí)的各種概念和技術(shù)。其中涉及了大量的數(shù)學(xué)知識和機器學(xué)習(xí)背后的理論，還附有一些有難度的編程練習(xí)。本課程將理論與實踐相結(jié)合，從數(shù)學(xué)和啟發(fā)式的角度進行講解，每節(jié)視頻之間像講故事一樣承前啟后。我推薦學(xué)習(xí)者完成課程作業(yè)。
4.使用?Python，通過聲音編碼
原標(biāo)題：Using Python to Code by Voice
鏈接：https://www.youtube.com/watch?v=8SkdfdXWYaI
時長：28 分16 秒
總結(jié)：Tavis Rudd 在這段精彩視頻中說，他曾花費兩年時間研發(fā)出這個用聲音識別進行編碼的特性，這個特性非常出色。他用 Python 和 Emacs Lisp 進行了大量的詞匯調(diào)整(vocab tweaking)和管道膠帶編碼(duct-tape coding)，進而打造了一個編碼速度更快的系統(tǒng)。他進行了現(xiàn)場展示，根據(jù)他的聲音，該系統(tǒng)幾秒鐘內(nèi)就能執(zhí)行操作，而正常情況下這需要耗時幾個小時。
5.使用 Python 做基于云的機器學(xué)習(xí)
原標(biāo)題：Python-Powered Machine Learning in the Cloud
鏈接：https://www.youtube.com/watch?v=dHP7qo2xyX0
時長：18 分
總結(jié)：Stephen Hoover 在該視頻中講到，他任職的公司 Civis Analytics 有個用 Python 構(gòu)建的基于云的數(shù)據(jù)科學(xué)平臺，該平臺可用來分析數(shù)據(jù)，可以幫助分析師很輕易地大步提高工作效率。他還講述了該平臺機器學(xué)習(xí)的多個方面，以及在Python 中有助于數(shù)據(jù)分析的一些開源庫，比如 Pandas，NumPy ，Scikit-Learn。
如果你已經(jīng)堅持到了現(xiàn)在，我表示祝賀!完成下一個視頻，就可以探索后面的神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)了。如果你小時候也是個馬里奧迷，那你肯定會更對下面這個視頻感興趣的!
6. MarI/O ，完視頻游戲的機器學(xué)習(xí)
原標(biāo)題：MarI/O – Machine Learning for Video Games
鏈接：https://www.youtube.com/watch?v=qv6UVOQ0F44
時長：6 分
總結(jié)：視頻展示了一個叫做 MarI/O 的計算機程序?qū)W習(xí)玩超級馬里奧游戲的過程。該程序由神經(jīng)網(wǎng)絡(luò)和遺傳算法構(gòu)建而成。從視頻中可以看到，與人腦相比該程序真正地發(fā)生了生物演進。這個程序是機器學(xué)習(xí)應(yīng)用中一個很出色的案例，展現(xiàn)了在各種人類活動中機器學(xué)習(xí)廣泛的可用性。
二、神經(jīng)網(wǎng)絡(luò)相關(guān)視頻
1.神經(jīng)網(wǎng)絡(luò)入門指導(dǎo)
原標(biāo)題：Getting started with Neural Networks
鏈接：https://www.youtube.com/playlist?list=PL6Xpj9I5qXYEcOhn7TqghAJ6NAPrNmUBH
時長：每個大約 8 分鐘
總結(jié)：這個播放列表叫做神經(jīng)網(wǎng)絡(luò)課程(Neural Network Class)。其中包括神經(jīng)網(wǎng)絡(luò)中從基礎(chǔ)到進階的各種概念，包括人工神經(jīng)元，激活函數(shù)，遞歸網(wǎng)絡(luò)訓(xùn)練等。視頻內(nèi)容簡短而節(jié)奏明快，每個視頻最長不超過24分鐘。我推薦所有開始學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的人觀看該課程。
2.神經(jīng)網(wǎng)絡(luò)訓(xùn)練第一部分：訓(xùn)練過程
原標(biāo)題：Neural Network Training Part 1: The Training Process
鏈接：https://www.youtube.com/watch?v=CVJOseIJnww
時長：12 分 40 秒
總結(jié)：該系列視頻講述了如何訓(xùn)練一個神經(jīng)網(wǎng)絡(luò)，即神經(jīng)網(wǎng)絡(luò)訓(xùn)練。視頻中可以非常簡便地預(yù)覽整個訓(xùn)練課程。在 YouTube 點擊該視頻上的「Up Next 」 可以看到后續(xù)視頻，比如神經(jīng)網(wǎng)絡(luò)誤差計算，梯度計算等課程。
3. 人工神經(jīng)網(wǎng)絡(luò)簡介
原標(biāo)題：Introduction to Artificial Neural Networks
鏈接：https://www.youtube.com/watch?v=xbYgKoG4x2g
時長：54分
總結(jié)：印度理工學(xué)院的 S. Sengupta 教授說，人工神經(jīng)網(wǎng)絡(luò)運用了非線性，這有助于輸入輸出映射的過程。他使用紙和筆，以最簡潔的方式完美地闡釋了人工神經(jīng)網(wǎng)絡(luò)的概念，理解起來非常容易。視頻最后他簡單講解了人工神經(jīng)網(wǎng)絡(luò)的應(yīng)用情況。不要忘記點擊「Up Next 」觀看后續(xù)視頻。
4.Matt Zeiler：深度神經(jīng)網(wǎng)絡(luò)的可視化與理解
原標(biāo)題：Visualizing and Understanding Deep Neural Networks by Matt Zeiler
鏈接：https://www.youtube.com/watch?v=ghEmQSxT6tw
時長：47 分40 秒
總結(jié)：卷積神經(jīng)網(wǎng)絡(luò)常用來識別物體、圖像和視頻。在這個 47 分鐘的視頻中，你會了解反卷積神經(jīng)網(wǎng)絡(luò)的概念，以及講者對卷積網(wǎng)絡(luò)中結(jié)構(gòu)選擇的看法?？梢暬淖饔镁褪钦故久恳粚泳W(wǎng)絡(luò)性能信息，以使整個網(wǎng)絡(luò)性能提高。
5. 下一代神經(jīng)網(wǎng)絡(luò)
原標(biāo)題：The Next Generation of Neural Networks
鏈接：https://www.youtube.com/watch?v=AyzOUbkUf3M
時長：1 小時 2 分1 秒
總結(jié)：GoogleTechTalks 上，著名的 Geoffery Hinton 做了一番關(guān)于神經(jīng)網(wǎng)絡(luò)的豐富演講。該視頻將為你的深度機器學(xué)習(xí)打下堅實的基礎(chǔ)。你還可以通過視頻了解神經(jīng)網(wǎng)絡(luò)的前世今生。Geoff 提到的話題包括反向傳播(BP)、數(shù)字識別、受限玻爾茲曼機等相關(guān)內(nèi)容。
6.神經(jīng) Bots——進化的人工智能
原標(biāo)題：Neural Bots – Evolving Artificial Intelligence
鏈接：https://www.youtube.com/watch?v=1iamM0SuPto
時長：4 分 40 秒
總結(jié)：該視頻通過設(shè)計的「神經(jīng) Bots」程序闡釋了使用進化的神經(jīng)網(wǎng)絡(luò)的人工智能，并用一組預(yù)定義的指令讓該 Bots 的完整活動進行了可視化，內(nèi)容非常有趣。
7. 用于口語和翻譯詞的語音識別技術(shù)突破
原標(biāo)題：Speech Recognition Breakthrough for the Spoken, Translated Word
鏈接：https://www.youtube.com/watch?v=Nu-nlQqFCKg
時長：9 分 4 秒
總結(jié)：該視頻由 Microsoft Research 上載，是微軟首席研究官 Rick Rashid 一段簡短的演講視頻。Rick Rashid 展示了使用深度神經(jīng)網(wǎng)絡(luò)和翻譯技術(shù)(英語口語翻譯成漢語)給語音識別技術(shù)帶來的突破，與此同時，語音識別技術(shù)的常見錯誤的數(shù)量也減少了。
8. 跟細菌學(xué)習(xí)社交網(wǎng)絡(luò)
原標(biāo)題：Learning from Bacteria about Social Networks
鏈接：https://www.youtube.com/watch?v=yJpi8SnFXHs
時長：1 小時 4 分 3 秒
總結(jié)：該視頻中講述了關(guān)于學(xué)習(xí)的非常規(guī)話題：向細菌學(xué)習(xí)信息處理。演講者從基礎(chǔ)智能開始講述，包括認知、感覺、處理等。還展示了重新思考細菌的模式。最后，他認為可以認為細菌中的「化學(xué) Twitter 」促進了細菌對社交網(wǎng)絡(luò)的使用。
9. 遺傳算法，學(xué)習(xí)如何跳過球
原標(biāo)題：Genetic algorithm. Learning to jump over ball
鏈接：https://www.youtube.com/watch?v=Gl3EjiVlz_4
時長：3 分
總結(jié)：視頻的名字很清楚地描述了內(nèi)容。該視頻展示了一個「基因」學(xué)會跳過球的整個過程。
10. 一個知道如何戰(zhàn)斗的遺傳算法!
原標(biāo)題：A genetic algorithm learns how to fight!
鏈接：https://www.youtube.com/watch?v=u2t77mQmJiY
時長：2 分 15 秒
總結(jié)：跟上個視頻一樣，該視頻重點描述了神經(jīng)網(wǎng)絡(luò)廣泛的應(yīng)用。在該視頻中，一個遺傳算法學(xué)會了如何戰(zhàn)斗。這個視頻讓我認識到了神經(jīng)網(wǎng)絡(luò)極強的可塑性，從而提振了我的學(xué)習(xí)興趣。
三、深度學(xué)習(xí)相關(guān)視頻
1. 用 Python 實現(xiàn)深度學(xué)習(xí)簡介
原標(biāo)題：Introduction to Deep Learning with Python
鏈接：https://www.youtube.com/watch?v=S75EdAcXHKk
時長：52 分 40 秒
總結(jié)：該視頻講解了如何用 Python 實現(xiàn)深度學(xué)習(xí)。其從介紹手寫數(shù)字識別的一個「激發(fā)興趣」的問題開始。還演示了解決基于 60,000 張圖像的數(shù)據(jù)集問題所用的全部 Python 代碼。 然后講解者重點講解了代碼，確保自己沒有錯過其中任何重要的代碼和算法。
2. 用 Theano 和 OpenDeep 實現(xiàn)深度學(xué)習(xí)(Markus Beissinger)
原標(biāo)題：Intro to Deep Learning with Theano and OpenDeep by Markus Beissinger
鏈接：https://www.youtube.com/watch?v=afUvcD3tEoQ&feature=youtu.be
時長：1 小時 9 分 4 秒
總結(jié)：要理解深度學(xué)習(xí)的概念，該視頻是個不錯的開始。演講者 Markus 剛開始先闡釋了深度學(xué)習(xí)背后的故事，然后快速回顧了線性代數(shù)，接著是基本的神經(jīng)網(wǎng)絡(luò)、無監(jiān)督模型和 RNN-GSN 深度學(xué)習(xí)模型。后面又闡釋了在 Python 中如何用 Theano 實現(xiàn)簡單的神經(jīng)網(wǎng)絡(luò)。
3. 深度學(xué)習(xí)：來自大數(shù)據(jù)的智能
原標(biāo)題：Deep Learning: Intelligence from Big Data
鏈接：https://www.youtube.com/watch?v=czLI3oLDe8M
時長：1 小時 24 分 6 秒
總結(jié)：這段演講介紹了將深度學(xué)習(xí)和大數(shù)據(jù)整合起來新概念。深度學(xué)習(xí)已經(jīng)開始從大數(shù)據(jù)技術(shù)中獲取重要價值。視頻后半段，谷歌、Facebook 等科技巨頭的研究科學(xué)家進行了一次非常有用的討論。該討論涉及到對深度學(xué)習(xí)和大數(shù)據(jù)技術(shù)的未來發(fā)展至關(guān)重要的大部分元素。
4. 用于計算機視覺的深度學(xué)習(xí)(Rob Fergus)
原標(biāo)題：Deep Learning for Computer Vision (Rob Fergus)
鏈接：https://www.youtube.com/watch?v=qgx57X0fBdA
時長：1 小時 58 分
總結(jié)：這是我找到的第一個關(guān)于計算機視覺的教程。該教程解釋了各種概念，如空間池化、歸一化、圖像分類等。最后基于一系列有用的圖像展示了各種新奇的應(yīng)用。
5. 卷積神經(jīng)網(wǎng)絡(luò)
原標(biāo)題：Convolutional Neural Networks
鏈接：https://www.youtube.com/watch?v=bEUX_56Lojc
時長：50 分 30 秒
總結(jié)：牛津大學(xué)計算機科學(xué)系發(fā)布的該教程。目前為止這是已發(fā)現(xiàn)的包含卷積網(wǎng)絡(luò)內(nèi)容最多的視頻。演講者探討了在對象識別和語言問題上使用卷積網(wǎng)絡(luò)的概念，以及如何設(shè)計卷積層和池化層的方法。視頻后半段討論了在 Torch 中構(gòu)建卷積網(wǎng)絡(luò)的流程。
6. 無監(jiān)督特征學(xué)習(xí)和深度學(xué)習(xí)(吳恩達)
原標(biāo)題：Unsupervised Feature Learning and Deep Learning – Andrew Ng
鏈接：https://www.youtube.com/watch?v=ZmNOAtZIgIk
時長：48 分 20 秒
總結(jié)：該視頻主講者為 Coursera 創(chuàng)始人吳恩達。吳先生講述了無監(jiān)督特征學(xué)習(xí)和深度學(xué)習(xí)的發(fā)展，而深度學(xué)習(xí)可以自動將特征數(shù)據(jù)的特征表征出來。他還描述了無監(jiān)督特征學(xué)習(xí)和深度學(xué)習(xí)背后一些概念，描述了幾個算法，并還展示了一個相關(guān)的案例研究。
7. Geoff Hinton：深度學(xué)習(xí)近期進展
原標(biāo)題：Geoff Hinton: Recent Developments in Deep Learning
鏈接：https://www.youtube.com/watch?v=VdIURAu1-aU
時長：1 小時 5 分 20 秒
總結(jié)：機器學(xué)習(xí)開創(chuàng)者之一 Geoff Hinton 在視頻中講述了深度學(xué)習(xí)的最新進展。他強調(diào)了各種算法的數(shù)學(xué)方面，提到各種深度學(xué)習(xí)應(yīng)用的成功案例，如對象識別、信息檢索、根據(jù)動作捕捉數(shù)據(jù)建模等。
8. 采訪谷歌人工智能和深度學(xué)習(xí) 「教父」Geoffrey Hinton
原標(biāo)題：Interview with Google’s AI and Deep Learning ‘Godfather’ Geoffrey Hinton
鏈接：https://www.youtube.com/watch?v=1Wp3IIpssEc
時長：27分30秒
總結(jié)：這是一段 Geoffrey Hinton 接受采訪的音頻。他在其中講述了谷歌如何實現(xiàn)人工智能系統(tǒng)。另外，他還重點說明了人類的學(xué)習(xí)組件，以及使用神經(jīng)網(wǎng)絡(luò)的機器等。對每個機器學(xué)習(xí)愛好者來說，這個是一個必聽的講解。
9. 學(xué)習(xí)表征 ：學(xué)習(xí)理論下一個挑戰(zhàn)
原標(biāo)題：Learning Representations: A Challenge for Learning Theory
鏈接：https://www.youtube.com/watch?v=lBUqyn30chk
時長：54 分 31 秒
總結(jié)：紐約大學(xué)計算機科學(xué)系的 Yann LeCun 講述了一些學(xué)習(xí)理論難以應(yīng)用的領(lǐng)域，并將其作為業(yè)界研究的挑戰(zhàn)提了出來。他提到了各種深度學(xué)習(xí)的概念，尤其表達了自己對學(xué)習(xí)表征的興趣;他認為學(xué)習(xí)表征將成為人工智能機器學(xué)習(xí)技術(shù)的下一步。
10. 深度學(xué)習(xí)將如何實現(xiàn)無人駕駛
原標(biāo)題：How Deep Learning Will Enable Self Driving Cars
鏈接：https://youtu.be/2NGnvGS0AtQ
時長：1 小時 5 分 30 秒
總結(jié)：該視頻來自 NVIDIA 的深度學(xué)習(xí)專家 Mike Houston。他提到一個叫做 NVIDIA DIGITS 的深度學(xué)習(xí)訓(xùn)練系統(tǒng)，還有能使汽車自動駕駛的 NVIDIA DRIVE PX 平臺。以及他們的團隊在打造無人駕駛汽車和深度學(xué)習(xí)算法時用到的訓(xùn)練工具和平臺。
11. 用于決策制定和控制中的深度學(xué)習(xí)
原標(biāo)題：Deep Learning for Decision Making and Control
鏈接：https://www.youtube.com/watch?v=EtMyH_--vnU
時長：56 分 2 秒
總結(jié)：視頻中，博士后研究員 Sergey Levine 與加州大學(xué)伯克利分校的 Pieter Abbeel 教授一起，探討了在決策制定和控制中深度學(xué)習(xí)的應(yīng)用。最后 Sergey 重點說明了連續(xù)控制任務(wù)(Continuous Control Tasks ) 等其他更加廣泛的應(yīng)用方式，另外還描述了使用監(jiān)督學(xué)習(xí)算法解決這些問題的方式。
12. 用于構(gòu)建智能計算機系統(tǒng)的大規(guī)模深度學(xué)習(xí)
原標(biāo)題：Large-Scale Deep Learning for Building Intelligent Computer Systems
鏈接：https://youtu.be/4hqb3tdk01k
時長：1 小時 23 秒
總結(jié)：谷歌知識部門(Google Knowledge Group )的高級研究員 Jeff Dean 在視頻中講解了使用神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)構(gòu)建更智能的計算機系統(tǒng)的方法。他重點討論了計算機系統(tǒng)的能力，如基本的語音和視覺、語言理解和用戶行為預(yù)測能力，并說明了這些技術(shù)在谷歌的各種產(chǎn)品中的應(yīng)用情況。
總結(jié)
以上是生活随笔為你收集整理的机器学习进阶路上不可错过的 28 个视频的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： dubbo的监控中心
- 下一篇： git日常提交使用的命令行