AiRobotNews 人工智能机器人技术网

391 门课、735 个链接:有人把 AI 研究生的课表排成了一张免费清单

391 门课、735 个链接:有人把 AI 研究生的课表排成了一张免费清单

想补 AI 基础的人大概都经历过同一个流程:搜「深度学习课程」,得到一堆播放列表,点进去发现链接半死,学校站点把课件锁在学号后面,付费训练营张口要几千美元。

这篇长文的作者(X 上 @shikamarutsai)说自己受不了这套流程,于是把十几年的公开课按方向排成一张表:14 个板块、391 门课、735 个外部链接,每门课给两条路——课程主页和讲座视频,多数指向 YouTube 播放列表或 videolectures.net。

这套清单的源头是 GitHub 仓库 deep-learning-drizzle:1.29 万 star、2,976 次 fork,最近一次提交在 2026 年 8 月 22 日。长文基本是仓库内容的排版版,每节末尾还留着指回仓库目录的链接。

清单的板块与课程索引

一、先把规模摆出来

板块门数覆盖内容
深度学习81神经网络主干,2012 到 2022
通用机器学习63CS229 起家,含统计学习、核方法、因果
夏令营与训练营58MLSS、DLRL、Simons 系列
现代计算机视觉49含多视图几何、SLAM、自动驾驶
强化学习28从 David Silver 到 Bertsekas
数学基础24线代、概率、信息论、因果推断
优化23凸优化、数值优化、组合优化
图与几何深度学习17GNN、几何深度学习、流形
自然语言处理16神经 NLP、机器翻译
医学影像9医学影像学校、医疗机器学习
概率图模型8Eric Xing 的两轮、MPI-IS 暑期课
语音识别6UPC、Google 的 SAN 工作坊
贝叶斯深度学习5变分推断、DeepBayes
AGI 视野4MIT AGI、Lex Fridman 的播客课
合计3915,000 多讲视频(原文标题的说法)

数字看着大,但它的确是一节一节把课列出来的。下面按板块挑出值得先看的,其余在仓库里都能翻到。

二、数学:不补这块,第三讲就跟不上

  • Linear Algebra(2011) — Gilbert Strang,MIT。课程页 · 视频
  • Essence of Linear Algebra(2016) — Grant Sanderson(3Blue1Brown)。播放列表
  • Essence of Calculus(2017–2018) — 同一位作者,讲直觉而不是证明。播放列表
  • Mathematics for Machine Learning(2018) — Imperial College London,Coursera 上可免费旁听。课程
  • Information Theory, Pattern Recognition, and Neural Networks(2012) — David Mackay,剑桥。课程页 · 视频
  • Introduction to Causal Inference(2020 秋) — Brady Neal。课程页 · 视频

Strang 那门是老课,但讲矩阵分解的顺序和后来读论文时遇到的一致;3Blue1Brown 两套适合在通勤路上过一遍,把符号换成图形。Mackay 的信息论课录制质量一般,内容到现在也不过时。

三、深度学习主干

  • Neural Networks for Machine Learning(2012/2014) — Geoffrey Hinton,多伦多大学。课件 · 视频
  • CS231n: CNNs for Visual Recognition(2017) — Justin Johnson,斯坦福。课程页 · 视频
  • CS224n: NLP with Deep Learning(2017) — Richard Socher,斯坦福。课程页 · 视频
  • Introduction to Deep Learning(2017–2021) — MIT 6.S191,每年更新。课程页 · 视频
  • Deep Learning(2020 春) — Yann LeCun 与 Alfredo Canziani,NYU,全程 PyTorch。课程页 · 视频
  • Deep Learning Lecture Series(2020) — DeepMind 与 UCL 合办,讲的人来自研究一线。课程页 · 视频
  • Deep Unsupervised Learning(2020 春) — Pieter Abbeel,伯克利,讲生成模型。课程页 · 视频
  • Full Stack Deep Learning(2021 春) — Abbeel 与 Sergey Karayev,偏工程落地。课程页 · 视频
  • CS230: Deep Learning(2018 秋) — Andrew Ng 与 Kian Katanforoosh,斯坦福。课程页 · 视频
  • Deep Learning Book 配套视频(2017) — Ian Goodfellow 等人讲解《深度学习》花书。课件 · 视频
  • 机器学习(2021 春) — 李宏毅,台湾大学,中文授课。课程页 · 视频

这一格有 81 门,同一门课常有几个年份的版本(CS231n 就有 2015、2016、2017、2021 几轮),选一门从头看到尾比跳着看好。

四、优化:凸优化那两门就够开场

  • Convex Optimization(2008) — Stephen Boyd,斯坦福 EE364a。讲义 · 视频
  • Convex Optimization(2018 秋) — Ryan Tibshirani,CMU,节奏更快。课程页 · 视频
  • Optimization: Principles and Algorithms(2019) — Michel Bierlaire,EPFL,配一整本免费教材。教材
  • Modern Algorithmic Optimization(2018) — Yurii Nesterov,UCLouvain。视频

Boyd 的课信息密度高但慢,Tibshirani 的版本短一些、更贴近机器学习里真正用到的那些推导。Nesterov 那门是”最优方法怎么来的”第一手材料,听懂的人不多,看了不亏。

五、通用机器学习与强化学习

  • CS229: Machine Learning(2007) — Andrew Ng,斯坦福。课程页 · 视频
  • Learning from Data(2012) — Yaser Abu-Mostafa,CalTech。课程页 · 视频
  • Introduction to Machine Learning(2018 春) — Andreas Krause,ETH 苏黎世。课程页 · 视频
  • Advanced Machine Learning(2019 春) — Thorsten Joachims,康奈尔,偏结构化预测。课程页
  • Probabilistic Machine Learning(2020 夏) — Philipp Hennig,图宾根。课程页 · 视频
  • Machine Learning with Kernel Methods(2021 春) — Julien Mairal 与 Jean-Philippe Vert。课程页 · 视频

强化学习单独一格:

  • Introduction to Reinforcement Learning(2015) — David Silver,DeepMind。课程页 · 视频
  • Deep RL Bootcamp(2017) — 伯克利,两天讲完核心算法。讲座页 · 视频
  • Deep Reinforcement Learning(2019 秋) — Sergey Levine,伯克利。课程页 · 视频
  • Deep Multi-Task and Meta Learning(2019 秋) — Chelsea Finn,斯坦福 CS330。课程页 · 视频
  • Reinforcement Learning(2019) — Emma Brunskill,斯坦福 CS234。课程页 · 视频
  • Reinforcement Learning(2022 春) — Dimitri Bertsekas,ASU/MIT。教材 · 视频

Levine 的课每学期重录,选最近一轮;Silver 的 2015 版画面上古,但 MDP、值函数、策略梯度那条线讲得最干净。

六、概率图、贝叶斯、医学影像

三格加起来 22 门,规模不大,方向窄。

  • Probabilistic Graphical Models(2014) — Eric Xing,CMU。课程页 · 视频
  • Probabilistic Graphical Models(2020 春) — 同一门课的更新版。课程页 · 视频
  • Probabilistic Graphical Models(2013) — MPI-IS 暑期学校的版本,讲师来自好几个组。讲座页 · 视频
  • Deep Learning and Bayesian Methods(2018) — 莫斯科 HSE 的 DeepBayes 暑期学校。课程页 · 视频
  • Nordic Probabilistic AI(2019) — NTNU,特隆赫姆,材料全在 GitHub。仓库 · 视频
  • Machine Learning for Healthcare(2019 春) — David Sontag、Peter Szolovits,MIT 6.S897。课程页 · 视频
  • Medical Imaging Summer School(2018) — 西西里,医学影像 + 深度学习。日程 · 视频

七、图与几何深度学习

  • Machine Learning with Graphs(2019) — Jure Leskovec,斯坦福 CS224W。课程页 · 视频
  • Machine Learning for Graphs and Sequential Data(2020 夏) — Stephan Günnemann,TUM。课程页
  • Graph Neural Networks(2021 秋) — Alejandro Ribeiro,宾大。课程页
  • Geometric Deep Learning(2021) — AMMI 课程,Bronstein 等人主讲。课程页 · 视频

Leskovec 那门是 GNN 的入门标配;Bronstein 的 AMMI 课讲的是”为什么图上的卷积长这样”,属于几何视角,两门连着看能接上。

八、NLP 与语音

  • Neural Networks for NLP(2021) — Graham Neubig,CMU 11-747。课程页 · 视频
  • Natural Language Processing with Deep Learning(2021) — Chris Manning,斯坦福 CS224n。课程页 · 视频
  • Deep Learning for NLP(2021 秋) — Kyunghyun Cho,NYU。课程材料 · 视频
  • Machine Translation(2020 秋) — Philipp Koehn,约翰霍普金斯。课程页 · 视频
  • Advanced NLP(2020 秋) — Mohit Iyyer,UMass。课程页 · 视频

语音那一格只有 6 门:

  • Deep Learning for Speech & Language(2017) — UPC 巴塞罗那。课程页 · 视频
  • Speech and Audio in the Northeast(2018) — Google 剑桥办的 SAN 工作坊。日程 · 视频

九、视觉:从多视图几何到自动驾驶

  • First Principles of Computer Vision(2021) — Shree Nayar,哥大。课程页 · 视频
  • Deep Learning for Computer Vision(2019) — Justin Johnson,密歇根 EECS 498。课程页 · 视频
  • Advanced Deep Learning for Computer Vision(2020 夏) — Laura Leal-Taixé 与 Matthias Nießner,TUM。课程页 · 视频
  • Multiple View Geometry(2013) — Daniel Cremers,TUM,经典几何部分。课程页 · 视频
  • SLAM - Mobile Robotics(2014) — Cyrill Stachniss,弗莱堡。课程页 · 视频
  • Computer Vision(2021 春) — Andreas Geiger,图宾根。课程页 · 视频

要做机器人或三维重建,Cremers 的多视图几何和 Stachniss 的 SLAM 比任何一门深度学习课都更该先看,这两块的数学在论文里反复出现。

十、夏令营:一周听完一个方向的顶级讲座

58 场里有不少是”几十位研究者轮流上台”的形式,密度比学期课高:

  • Machine Learning Summer School(2017) — MPI-IS 图宾根。日程 · 视频
  • Deep Learning Summer School(2016) — 蒙特利尔。课程页 · 视频
  • Deep Learning and Reinforcement Learning Summer School(2018) — 多伦多。课程页 · 视频
  • Lisbon Machine Learning School(2017) — 里斯本。课程页 · 视频
  • Deep Learning Boot Camp(2019) — 伯克利 Simons 研究所。日程 · 视频
  • Eastern European Machine Learning Summer School(2020 春) — 克拉科夫,线上。日程 · 视频

十一、AGI 那一格只有四门

  • Artificial General Intelligence(2018–2019) — MIT 6.S099。课程页
  • AI Podcast(2018–2019) — Lex Fridman 的访谈课,MIT 挂过课程号。节目页 · 视频
  • Deep Learning: Alchemy or Science?(2019) — 普林斯顿高等研究院的研讨会。视频 · 议程

十二、怎么用这张表

作者在结尾说的话挺直接:大部分人会把页面存进书签,心里觉得踏实,然后一讲都不看。原文写的是「别做那种人」。

他给的启动方式是:只挑一门。喜欢图像就去 CS231n,喜欢博弈就去 David Silver 的强化学习,想听 LeCun 的思路就去 NYU 那门。今天先看第一讲,就一讲。

原文只给了「挑一门」这一个建议,没排顺序。要一条能走通的路径,可以这样串:Strang 的线代过一遍,然后 CS231n 或 NYU 的深度学习,再选一个方向进(RL 走 Levine,NLP 走 Neubig 或 CS224n,CV 走 Geiger 或 Cremers),卡在推导时回来看 Boyd 或 Tibshirani。

十三、这张清单没覆盖的东西

表里的课程从 2007 年排到 2022 年。大模型的内容只零星出现在 CS224n 的后期版本里,翻遍 391 个条目,也找不到专门讲预训练、指令微调或 Agent 框架的课。

「替代你的学位」是原文标题的说法。它实际上是一个带索引的链接目录,不是教学大纲:没有作业、没有考核、没有顺序约束,学到哪算哪。仓库自己的 To-Do 清单里还标着几项没做完——更系统的优化课程、面向深度学习的计算机视觉、语音、图神经网络,以及自动驾驶、图形学两个整节。

不过这些课的原版讲义和录像大多还在线上,挑几门当真去跟,比看二手总结扎实。

项目地址