想自学和不妨边看专家讲解视頻边自学。不仅能感受世界各地专家的熏陶也能快速获取知识，一举两得这篇文章整理了一个 YouTube 视频列表，供希望在该领域学习的朋友使用
时长：每课大约一个小时
总结：这是斯坦福大学吴恩达教授的斯坦福大学里所有机器学习课程列表。我从中受益良多个人认为该課程比 Coursera 上的课程还要精彩。
视频中包含的机器学习概念有线性/对数回归，监督学习和非监督学习学习理论，强化学习和自适应控制等他还讨论了以下技术，包括朴素贝叶斯、神经网络、支持向量机（SVM）、贝叶斯统计、正则化（Regularization）、聚类（Clustering）、主成分分析（PCA）、独立成汾分析（ICA）其中还涉及了机器学习近期的应用，如机械控制、数据挖掘、自主导航、生物信息学、、文本和网络数据处理等
如果你是個对这项技术还没有清晰概念的小白，希望选择透彻清晰的介绍性视频可以选择这个视频开始学习。
时长：每课大约一个半小时
总结：這是 Caltech（加州理工大学）的机器学习课程其中共含 18 个视频。Yaser Abu-Mostafa 教授详细论述了机器学习的各种概念和技术其中涉及了大量的数学知识和机器学习背后的理论，还附有一些有难度的编程练习本课程将理论与实践相结合，从数学和启发式的角度进行讲解每节视频之间像讲故倳一样承前启后。我推荐学习者完成课程作业
总结：Tavis Rudd 在这段精彩视频中说，他曾花费两年时间研发出这个用声音识别进行编码的特性這个特性非常出色。他用 Python 和 Emacs Lisp 进行了大量的词汇调整（vocab tweaking）和管道胶带编码（duct-tape coding）进而打造了一个编码速度更快的系统。他进行了现场展示根据他的声音，该系统几秒钟内就能执行操作而正常情况下这需要耗时几个小时。
总结：Stephen Hoover 在该视频中讲到他任职的公司 Civis Analytics 有个用 Python 构建的基于云的数据科学平台，该平台可用来分析数据可以帮助分析师很轻易地大步提高工作效率。他还讲述了该平台机器学习的多个方面鉯及在Python 中有助于数据分析的一些开源库，比如 PandasNumPy ，Scikit-Learn
如果你已经坚持到了现在，我表示祝贺！完成下一个视频就可以探索后面的神经网絡和深度学习了。如果你小时候也是个马里奥迷那你肯定会更对下面这个视频感兴趣的！
总结：视频展示了一个叫做 MarI/O 的计算机程序学习玩超级马里奥游戏的过程。该程序由神经网络和遗传构建而成从视频中可以看到，与人脑相比该程序真正地发生了生物演进这个程序昰机器学习应用中一个很出色的案例，展现了在各种人类活动中机器学习广泛的可用性
时长：每个大约 8 分钟
总结：这个播放列表叫做神經网络课程（Neural Network Class）。其中包括神经网络中从基础到进阶的各种概念包括人工神经元，激活函数递归网络训练等。视频内容简短而节奏明赽每个视频最长不超过24分钟。我推荐所有开始学习神经网络的人观看该课程
总结：该系列视频讲述了如何训练一个神经网络，即神经網络训练视频中可以非常简便地预览整个训练课程。在 YouTube 点击该视频上的「Up Next 」 可以看到后续视频比如神经网络误差计算，梯度计算等课程
总结：卷积神经网络常用来识别物体、图像和视频。在这个 47 分钟的视频中你会了解反卷积神经网络的概念，以及讲者对卷积网络中結构选择的看法可视化的作用就是展示每一层网络性能信息，以使整个网络性能提高
总结：GoogleTechTalks 上，著名的 Geoffery Hinton 做了一番关于神经网络的丰富演讲该视频将为你的深度机器学习打下坚实的基础。你还可以通过视频了解神经网络的前世今生Geoff 提到的话题包括反向传播（BP）、数字識别、受限玻尔兹曼机等相关内容。
总结：该视频通过设计的「神经 Bots」程序阐释了使用进化的神经网络的人工智能并用一组预定义的指囹让该 Bots 的完整活动进行了可视化，内容非常有趣
总结：该视频由 Microsoft Research 上载，是微软首席研究官 Rick Rashid 一段简短的演讲视频Rick Rashid 展示了使用深度神经网絡和翻译技术（英语口语翻译成汉语）给语音识别技术带来的突破，与此同时语音识别技术的常见错误的数量也减少了。
总结：该视频Φ讲述了关于学习的非常规话题：向细菌学习信息处理演讲者从基础智能开始讲述，包括认知、感觉、处理等还展示了重新思考细菌嘚模式。最后他认为可以认为细菌中的「化学 Twitter 」促进了细菌对社交网络的使用。
总结：视频的名字很清楚地描述了内容该视频展示了┅个「基因」学会跳过球的整个过程。
总结：跟上个视频一样该视频重点描述了神经网络广泛的应用。在该视频中一个遗传算法学会叻如何战斗。这个视频让我认识到了神经网络极强的可塑性从而提振了我的学习兴趣。
总结：该视频讲解了如何用 Python 实现深度学习其从介绍手写数字识别的一个「激发兴趣」的问题开始。还演示了解决基于 60,000 张图像的数据集问题所用的全部 Python 代码 然后讲解者重点讲解了代码，确保自己没有错过其中任何重要的代码和算法
总结：这段演讲介绍了将深度学习和大数据整合起来新概念。深度学习已经开始从大数據技术中获取重要价值视频后半段，谷歌、Facebook 等科技巨头的研究科学家进行了一次非常有用的讨论该讨论涉及到对深度学习和大数据技術的未来发展至关重要的大部分元素。
总结：这是我找到的第一个关于计算机视觉的教程该教程解释了各种概念，如空间池化、归一化、图像分类等最后基于一系列有用的图像展示了各种新奇的应用。
总结：牛津大学计算机科学系发布的该教程目前为止这是已发现的包含卷积网络内容最多的视频。演讲者探讨了在对象识别和语言问题上使用卷积网络的概念以及如何设计卷积层和池化层的方法。视频後半段讨论了在 Torch 中构建卷积网络的流程
总结：该视频主讲者为 Coursera 创始人吴恩达。吴先生讲述了无监督特征学习和深度学习的发展而深度學习可以自动将特征数据的特征表征出来。他还描述了无监督特征学习和深度学习背后一些概念描述了几个算法，并还展示了一个相关嘚案例研究
总结：机器学习开创者之一 Geoff Hinton 在视频中讲述了深度学习的最新进展。他强调了各种算法的数学方面提到各种深度学习应用的荿功案例，如对象识别、信息检索、根据动作捕捉数据建模等
总结：这是一段 Geoffrey Hinton 接受采访的音频。他在其中讲述了谷歌如何实现人工智能系统另外，他还重点说明了人类的学习组件以及使用神经网络的机器等。对每个机器学习爱好者来说这个是一个必听的讲解。
总结：纽约大学计算机科学系的 Yann LeCun 讲述了一些学习理论难以应用的领域并将其作为业界研究的挑战提了出来。他提到了各种深度学习的概念尤其表达了自己对学习表征的兴趣；他认为学习表征将成为技术的下一步。
总结：视频中博士后研究员 Sergey Levine 与加州大学伯克利分校的 Pieter Abbeel 教授一起，探讨了在决策制定和控制中深度学习的应用最后 Sergey 重点说明了连续控制任务（Continuous Control Tasks ） 等其他更加广泛的应用方式，另外还描述了使用监督學习算法解决这些问题的方式
12. 用于构建智能计算机系统的大规模深度学习
总结：谷歌知识部门（Google Knowledge Group ）的高级研究员 Jeff Dean 在视频中讲解了使用神經网络和深度学习构建更智能的计算机系统的方法。他重点讨论了计算机系统的能力如基本的语音和视觉、语言理解和用户行为预测能仂，并说明了这些技术在谷歌的各种产品中的应用情况
