干货 | 20多门AI网络课程资源（附链接+PDF）

现如今，在火爆的人工智能领域，面临的最窘迫的问题是越来越庞大的产业规模和国家每年约500万的相关人才需求的矛盾。广阔的发展前景、巨大的人才缺口和令人心动的行业薪资，让越来越多的年轻人选择了进入这一行业。然而，目前国内开设人工智能专业的高校不多，学科建设不完善，相当多的开发者是跨界入门，需要自学大量知识并在实践中摸索。面对网络讯息碎片化，培训班种类繁多、收费昂贵的局面，该如何高效学习成为了人工智能入门的首要难题。

以下，笔者盘点了学生中最受欢迎的人工智能网络课程，包括吴恩达的公司Coursera出品的在线课、斯坦福大学在线课、伯克利大学在线课等，希望能够为大家的学习提供帮助。

一、机器学习

 

Machine Learning

主讲人：吴恩达 Andrew Ng

 

发布平台：Coursera

课程链接：

https://www.coursera.org/learn/machine-learning#faqs

课程评价：在Coursera上，有近5万人给吴恩达教授这堂课打出4.9的平均分（满分5分），根据Freecodecamp统计，这门课是所有在线Machine Learning课程中最受好评的课程。这是一个机器学习打基础的入门理论课，不仅有基本概念的解释，它还十分重视联系实际和经验总结：1.课程中吴恩达老师列举了许多算法实际应用的例子；2.他提到当年他们入门AI时面临的许多问题，以及处理这些难题的经验。考虑其广泛受众，这门课程中没有涉及过多的数学知识，对统计、IT基础知识薄弱的学生也非常友好。

Learning from Data

主讲人：Yaser Abu-Mostafa

发布平台：edX，网易公开课

课程链接：

https://www.edx.org/course/caltechx/caltechx-cs1156x-learning-data-2516；

http://open.163.com/special/opencourse/learningfromdata.html

课程评价：这是加州理工Yaser Abu-Mostafa教授关于机器学习的入门课，但内容并不简单。该课程强调数据，是因为机器学习与各领域的大数据处理应用（比如金融、医疗）联系十分紧密。这门课内容涵盖基础理论、算法和应用，平衡了理论与实践，既覆盖数学统计，也包含启发式的概念理解。不少人评论该课程结构就像讲故事，它有助于学习者形成对机器学习概念和模型深度、直觉性的理解。学习者公认它内容非常充实，但对作业模块的争议很大：有人认为难度偏高并且缺乏反馈，有人认为它是网上能找到的、最好的机器学习练习。

Neural Networks for Machine Learning

主讲人：Geoffrey Hinton

发布平台：Coursera

课程链接：

https://www.coursera.org/learn/neural-networks#ratings

课程评价：Geoffrey Hinton的这门课程可以作为吴恩达的机器学习课的进阶课程，难度相对来说有所提升，要求学生有微积分、Python基础，涉及许多专有名词，对初学者难度较大，需自己查找相关资料。网友认为“学习这么课对我来说真是大开眼界，而且就我所知，这门课相当接近深度学习领域最前沿的技术。这门课的习题比吴恩达的课更详细，更具挑战性，因此我最终学到了更多。”

Machine Learning

主讲人：Tom Mitchell

发布平台：CMU 官网

课程链接：

http://www.cs.cmu.edu/~tom/10701_sp11/

课程评价：这门课是学界人士的最爱，是入门课程之中较全面、高阶的一门，覆盖的话题非常广，按先后次序包括：代数和概率论，机器学习的基础工具，概率图模型，AI，神经网络，主动学习，增强学习。这门课程能帮助学习者理清机器学习的发展脉络。它适合计划进行系统性学习、投入大量时间的人。对于初学者，建议至少听完吴恩达的机器学习课程之后，再修这一门。

机器学习基石

主讲人：林轩田

 

发布平台：Coursera

课程链接：

上：https://www.coursera.org/learn/ntumlone-mathematicalfoundations

下：https://www.coursera.org/learn/ntumlone-algorithmicfoundations

课程评价：这是为汉语学子量身定做的入门课，相当于台湾大学机器学习课程前半学期的课，教授的是机器学习最核心的知识。林老师是教科书《Learning From Data》的作者之一，是华人机器学习领域年轻有为的青年学者。这门课程十分用心细致，内容比吴恩达老师的入门课程稍稍充实一些。林老师表示，针对顶级机器学习公开课全是英语授课的现状，不少学生反映英语教学有不易吸收之处。因此，借推出这门课程，希望帮助汉语为母语的学生减少入门难度。

Machine Learning for Undergraduates

主讲人：Nando de Freitas

发布平台：Youtube

课程链接：

https://www.youtube.com/playlist?list=PLE6Wd9FR--Ecf_5nCbnSQMHqORpiChfJf

课程评价：Nando de Freitas是机器学习领域非常杰出的学者。他的这门课同样很适合作为吴恩达老师机器学习的进阶课程，补充了一些“机器学习”的概念，并且重点强调数学知识。Nando de Freitas对诸如概率论、log likelihood 等基础数学原理做了很好的讲解，并以此为基础介绍更高级的数学、统计概念。

二、深度学习

 

Pratical Deep Learning for Coders，Part 1

主讲人：Jeremy Howard

 

发布平台：fast.ai

课程链接：

http://course.fast.ai/

课程评价：它是一门实战性极强的课程。身为Kaggle竞赛冠军的Jeremy Howard亲自教授如何打造业界最好的深度神经网络。Jeremy Howard在课程中分享了那些真正在工程实践中使用过，并且证明行之有效的方法，而不仅仅是那些理论上的定义和公式。

Deepinglearning.ai Specialization

主讲人：吴恩达 Andrew Ng

发布平台：deeplearning.ai

课程链接：

https://www.deeplearning.ai/

课程推荐：这是吴恩达老师离开百度后推出的第一个深度学习项目（deeplearning.ai)的一个课程，课程口号是：Master Deep Learning,and Break into AI.该课程是一个自下而上教你神经网络原理的课程体系，浅显易懂，处于初级-中级难度。这个课程有助于加强对深度学习的了解，对神经网络已经有了一定基础的人来说，这个课程还能加强参数搜索技巧。很多人认为这是目前互联网上最适合入门深度学习的系列课程，能够帮助学者构建对该领域的基本理解。

Deep learning at Oxford 2015

主讲人：Nando de Freitas

发布平台：oxford官网

课程主页：

http://www.cs.ox.ac.uk/people/nando.defreitas/

课程评价：Nando de Freitas于2013年转入牛津任教，这是他2014-2015学年在牛津大学的全套深度学习课程。它介绍了神经网络、反向传播、玻尔兹曼机、自动编码器、卷积神经网络和递归神经网络的基本背景，说明了深度学习如何影响我们对智力的理解，并有助于智能机器的实际设计。

CS231n：Convolutional Neural Networks for Visual Recognition

主讲人：李飞飞

发布平台：GitHub

课程地址：

http://cs231n.github.io/

课程评价：这门面向计算机视觉的深度学习课程由Fei-Fei Li教授掌舵，内容面向斯坦福大学学生，货真价实，评价颇高。虽然课程名称是卷积神经网络和图像识别，但前期进行了大量关于Python开发环境搭建、神经网络原理等基础知识的介绍，适合初学者认真研读。

Deep Learning

主讲人：Yann Lecun

发布平台：法兰西学院官网

课程地址：

https://www.college-de-france.fr/site/en-yann-lecun/course-2016-04-15-11h00.htm

课程评价：Yann Lecun在2016年初于法兰西学院开课，这是其中关于深度学习的8堂课。当时是用法语授课，后来加入了英文字幕。作为人工智能领域大牛和 Facebook AI 实验室（FAIR）的负责人，Yann Lecun 身处业内机器学习研究的最前沿。他曾经公开表示，现有的一些机器学习公开课内容已经有些过时。通过Yann Lecun的课程能了解到近几年深度学习研究的最新进展。该系列可作为探索深度学习的进阶课程。

Deep Learning for Natural Language Processing: 2016-2017

主讲人：Phil Blunsom

 

发布平台：GitHub

课程链接：

https://www.bilibili.com/video/av9817911/

课程评价：这是牛津大学 & DeepMind 联合的面向NLP的深度学习应用课程。课程介绍了相关机器学习模型的数学定义，并推导出相关的优化算法。该课程涵盖神经网络在NLP中的一系列应用，包括分析文本中的潜在维度、将语音转录到文本、在语言之间进行转换以及回答问题。这些主题被组织成三个高层次的主题，从理解使用神经网络的顺序语言建模，到理解它们作为转导任务的条件语言模型的使用，以及最终将这些技术与其他高级应用程序结合使用的方法。在整个过程中，还将讨论这些模型在CPU和GPU硬件上的实际实现。

2016 斯坦福湾区深度学习学校 

Day 1

课程链接：

https://www.youtube.com/watch?v=eyovmAtoUx0

课程评价：这个视频是 2016 湾区深度学习学校第一天的内容展示。视频覆盖到的内容有： 1）Hugo Larochelle 讲授前馈神经网络介绍（Introduction on Feedforward Neural Network）；2）Andrej Karpathy 讲授用于计算机视觉的深度学习（Deep Learning for Computer Vision）；3）Richard Socher 讲授用于自然语言处理（NLP）的深度学习（Deep Learning for NLP）；4）Sherry Moore 讲授 TensorFlow 教程（TensorFlow Tutorial）；5）Ruslan Salakhutdinov 讲授深度无监督学习基础（Foundations of Deep Unsupervised Learning）；6）吴恩达讲授深度学习应用基本要点（Nuts and Bolts of Applying Deep Learning）。这些深度学习方面的专家都会以一个易于理解的方式讲解深度学习潜在的概念原理，让你对深度学习有基础理解。同时他们也会分享各自讲授主题相关的应用实例。

2016 斯坦福湾区深度学习学校 

Day 2 

(Bay Area Deep Learning School Day 2 at CEMEX auditorium, Stanford)

课程链接：

https://www.youtube.com/watch?v=9dXiAecyJrY

课程评价：这是湾区深度学习学校的第二天讲授内容视频。视频覆盖到的内容有：1）John Schulman 讲授深度强化学习基础（Foundation of Deep Reinforcement Learning）；2）Pascal Lamblin 讲授 Theano 介绍：一个供模型构建和训练使用的极速 Python 库（Introduction to Theano: A Fast Python library for Modelling & Training）；3）Adam Coates 和 Vinay Rao 讲授语音识别和深度学习（Speech Recognition and Deep Learning）；4）Alex Wiltschko 讲授 Torch 和 Autograd 下的机器学习（Machine Learning with Torch & Autograd）；5）Quoc Le 讲授深度学习实现 Seq2Seq（Sequence to Sequence by Deep Learning）；5）Yoshua Bengio 讲授深度学习的基础和挑战（Foundation and Challenges of Deep Learning）。这些深度学习的应用者都是经常被检索到的深度学习应用专家，他们同时也为大型公司服务，如谷歌大脑、Twitter 等。

斯坦福大学深度学习应用课程: 

Natural Language Processing with Deep Learning

课程链接：

https://www.bilibili.com/video/av9285496/

课程介绍：这门课程由NLP领域的大牛 Chris Manning 和 Richard Socher 执掌，是学习深度学习自然语言处理的经典课程。此课程全面介绍了应用于NLP的深度学习的前沿研究。在模型方面，将讨论词向量表示、基于窗口的神经网络、递归神经网络、长时间短期记忆模型、递归神经网络、卷积神经网络以及一些涉及内存组件的最近模型。

深度学习（中/英）by Google

主讲人：Vincent Vanhoucke，Arpan Chakraborty

 

发布平台：优达学城

课程链接：

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

课程评价：这门课程由优达学城与Google的首席科学家兼Google智囊团技术经理 Vincent Vanhoucke联合开发，可以免费学到如何训练和优化基本神经网络、卷积神经网络和长短期记忆网络，学习者可以通过项目和任务接触完整的机器学习系统 TensorFlow。

2016 年蒙特利尔深度学习暑期班

 

课程链接：

https://www.youtube.com/watch?list=PL5bqIc6XopCbb-FvnHmD1neVlQKwGzQyR&v=xK-bzjIQkmM

课程评价：蒙特利尔深度学习暑期班出现了很多来自不同年龄段的专家与从业人员。该教程是要教人们对深度学习与神经网络有基础的理解。里面有Yoshua Bengio教授循环神经网络，Surya Ganguli教授理论神经科学与深度学习理论，Sumit Chopra教授reasoning summit和attention，Jeff Dean讲解TensorFlow大规模机器学习，Ruslan Salakhutdinov讲解学习深度生成式模型，Ryan Olson讲解深度学习的GPU编程，还有其他很多的讲演。

Machine Learning and having it Deep and Structured

主讲人：李宏毅

 

课程链接：

https://www.bilibili.com/video/av9770302/

课程评价：这是难得的免费中文课程，有网友评价这门课把GAN讲得太好了，还有人认为李宏毅擅长让学生人对算法有一个直观的映像和理解。这门课对初学者不太友好，适合在上完他的machine learning课程之后再进行学习。

三、人工智能

 

Intro to Artificial Intelligence

主讲人：Peter Norvig，Sebastian Thrun

发布平台：优达学城 Udacity

课程地址：

https://cn.udacity.com/course/intro-to-artificial-intelligence--cs271

课程评价：该课程久享盛名，被公认为是AI入门最好的公开课之一。它介绍了几个AI主要领域：概率推理、信息检索、机器人学、自然语言处理等，倾向于介绍AI的实际应用，并且课程练习广受好评。该课程的两位主讲者，Peter Norvig和Sebastian Thrun，一个是谷歌研究总监，一个是斯坦福著名机器学习教授，均是与吴恩达、Yann Lecun 同级别的顶级AI专家。

基于知识的人工智能：认知系统

主讲人：Ashok Goel  David Joyner

 

发布平台：优达学城

课程链接：

https://cn.udacity.com/course/knowledge-based-ai-cognitive-systems--ud409

课程评价：这门课人工智能的核心课程，具有较高的挑战性，涉及重大的独立工作、阅读、任务和项目，涵盖结构性的知识讲解及基于知识的问题解决、规划、决策和学习方法。网友认为，“最吸引人的部分是课程项目：构建一个人工智能代理，解决Raven的进化矩阵，这基本上是一个视觉IQ测试，非常有趣和富有挑战性。对于那些比较‘容易’的问题，解决起来还算简单，但对于那些有难度的问题，解决起来那是难以置信的困难。”

四、计算机科学

 

Scala函数式程序设计原理

主讲人：Martin Odersky

 

发布平台：Coursera

课程链接：

https://www.coursera.org/learn/progfun1

课程评价：这门课程注重实践，课程中的大部分单元都会使用一些简短的程序来阐述基本原理和概念，听众可以试着运行这些程序并尝试改写它们，任何对Scala感兴趣的人都可以尝试这门课。网友普遍认为这个课程稍微有点难度，也有人觉得课程结构设计不合理，需要学生查阅很多其他资料；而支持者则认为，“让一门语言的创造者来亲自教授这门语言的课程，给我提供了原本无法得到的见解”、“这门课程非常惊人，需要强烈推荐，它显示了Scala的设计投入了多少精力和技巧。

数据库

主讲人：Jennifer Widom

 

发布平台：斯坦福大学官网

课程链接：

https://lagunita.stanford.edu/courses/DB/2014/SelfPaced/about

课程评价：该课程是斯坦福大学在2011年秋季开设的三个大型公开在线课程之一;在2013年和2014年的MOOC中再次提供。有网友将这门课程评价该课是“组织得最好的在线课程”，“讲座中所有的内容都是相关的，所有内容都会在习题中应用和测试，习题很多，每周的家庭作业会从简单逐渐展开到中等难度，Web 环境设计良好，提供了极好的反馈并能够指导你正确地回答问题。”

Probabilistic Graphical Models专项课程

主讲人： Daphne Koller

发布平台：couresa

课程链接：

https://www.coursera.org/specializations/probabilistic-graphical-models

课程评价：有网友认为，这个专项课程是他所学过最有趣的在线课程，不过该课程对学习者要求较高，需要花不少精力将讲座的内容应用到作业中。还有人评论，“这个专项课程的第一门课程有一个非常好、非常引人入胜的开头，但是在那之后讲座和习题之间很快出现了巨大的鸿沟（也许这就是为什么作者吹嘘这是一门充满挑战性的课程，而不是针对每个人的）。PGM 是解决很多机器学习问题的有力工具，但确实难度较大。据一位网友说，“在斯坦福，学生们只要能通过 PGM 考试都高兴坏了“。