youtube 上关于AI，深度学习和神经网络的频道，希望对你有所帮助
机器学习
原文链接我是用了谷歌翻译，因为没有时间来翻译，有需要请看原文
介绍
在机器学习和深度学习方面更好的方法之一是观看专家的讲座，并与之一起工作。如果你这样做的话，你就可以得到两全其美的好处 - 你可以从全球的专家那里学到知识，也可以掌握知识。
在本文中，我提供了一个YouTube视频列表，您可以使用这些视频来改善您在这些方面的知识。
为了您的方便，我创建了这些视频的“要遵循的”顺序。我已经将视频分类为：机器学习，神经网络和深度学习。如果你是新手，我建议你按照顺序进行更好的理解。如果没有，请随意按照自己的路线，让我知道，事实如何。
如果你觉得这个列表是压倒性的，一次只需要一个字节！把它看作是随着时间消耗的参考集合。这些视频的范围从几分钟到一小时的视频。为了您的方便，我也提到了每个视频的总结概述。来吧，检查出来。
与机器学习相关的视频
持续时间16：26分钟
简介：开始这一旅程的最佳途径，莫过于听到全球最好的机器学习教师和专家之一。在这个视频中，吴伟雄讲述了他童年的梦想，建立机器人，可以像人类一样思考和工作，改善数百万人的生活。他谈到了人类大脑的相似性以及可以使它们像人类一样运作的机器中的软件。
2。深入学习Theano和OpenDeep作者：Markus Beissinger
概要：
在这些讲座中，他涵盖了机器学习的概念，包括线性/逻辑回归，有监督和无监督学习，学习理论，强化学习和自适应控制。他讨论了朴素贝叶斯，神经网络，支持向量机，贝叶斯统计，正则化，聚类，PCA和ICA等技术。他还讨论了机器人控制，数据挖掘，自主导航，生物信息学，语音识别以及文本和Web数据处理等机器学习的一些最新应用。
如果你是一个完整的新手，想要一个清晰的介绍，有时挑战你，去这些视频
持续时间 - 不适用
简介： 在加州理工学院的机器学习课程CS 156中，Yaser Abu-Mostafa教授详细介绍了各种机器学习的概念和技术。这门课程非常重视数学和机器学习背后的理论，有点难度的编程练习。它平衡理论和实践，涵盖数学以及启发式方面。讲座以讲故事的方式相互关联。你应该为挑战性的任务做这个课程。这个系列讲座有18个视频。
持续时间28：16分钟简介： 在这个令人敬畏的视频中，Tavis Rudd谈到了他两年的漫长旅程，这使他创造了使用语音识别编码这个很酷的功能。他在Python和Emacs Lisp中进行了大量的词汇调整和管道编码，以开发这个系统，使他能够更快地编写代码。他给出了他开发的软件的实时演示，并使他的系统在几秒钟内通过他的声音做事情，否则可能需要几个小时的代码！
持续时间 - 18:00分总结： 在这个视频中，Stephen Hoover先生谈到了在他的公司Civis Analytics中使用Python构建数据分析的基于云的数据科学平台，该平台帮助分析师以更快的速度和更少的努力完成他们的工作。他介绍了该平台的各种机器学习方面，并讨论了一些Python中的开源库，这些库有助于Pandas，NumPy和Scikit-Learn等数据分析。
如果你在旅程中幸存下来，祝贺你！看看下一个令人兴奋的视频，你将为接下来的两个部分做好准备，即神经网络和深度学习！如果你是一个小孩的马里奥粉丝，乐趣就会翻倍。
简介： 这个视频显示了一个名为MarI / O的电脑程序如何学习玩超级马里奥游戏。这个程序是由神经网络和遗传算法。该视频展示了与人脑相比，该项目的实际生物进化。这是机器学习的真棒应用之一，它展示了机器学习在人类可以执行的各种活动中的范围。
与神经网络相关的视频
1.开始使用神经网络
持续时间 - 不适用
总结： 这是一个神经网络类已知的播放列表。它涵盖了从人工神经元，激活函数到递归网络训练等基本到高级的神经网络概念。您不会在此播放列表中找到长时间的视频。视频短而脆，最长持续24分钟。我建议每个初学者学习神经网络。
持续时间 - 12:40分钟
简介：本系列视频教授如何训练神经网络，即神经网络训练。解释的方式真的很好。这个特定的视频给出了完整的培训过程的概述。一旦你点击这个视频，在YouTube上的“上一个下一个”部分，你会发现其后续的视频涵盖的主题，如神经网络误差计算，梯度计算等，这确实是有帮助的。
3.人工神经网络简介
持续时间 - 54：00分钟
总结： ANN利用非线性。印度IIT Kharagpur教授S. Sengupta说，它有助于投入 - 产出映射过程。他以最简单的方式完美地解释了人工神经网络的概念。他用笔和纸来解释，这实际上帮助我理解这些概念。在这个视频的最后，他谈到了ANN的应用。不要错过“上一页”部分。
持续时间47：40分钟
简介： 卷积神经网络用于识别物体，图像和视频。在这个47分钟的视频中，将介绍去卷积网络的概念，以及卷积网络中架构选择的见解。可视化的作用是提供对每个层的性能的洞察力，从而可以对其进行改进。
5.下一代神经网络
持续时间 - 1:02:01
简介： 一个不需要介绍的人Geoffery Hinton在GoogleTechTalks上对神经网络进行了丰富的讨论。此视频将帮助您在深度机器学习中打下坚实的基础。它也将带领您通过神经网络从过去到未来的旅程。盖夫涵盖的主题，如反向传播，数字识别，限制玻尔兹曼机和相关主题。
持续时间04：40分钟
简介：这个简短的视频通过使用设计的程序“神经机器人”（Neural Bots），利用不断发展的神经网络解释人工智能。机器人的完整活动已经使用预定义的命令集可视化。这将是有趣的观看。
持续时间 - 09:04分
总结：由微软研究院上传，这个视频是由首席研究官Rick Rashid发表的一个小问题。Rick使用深度神经网络和机器翻译来演示语音识别技术的突破，将英语口语转换为中文，同时减少了每一层重复发生的错误。
持续时间 - 1:04:03小时
简介：本视频涵盖了从细菌学习信息处理的非常规话题。说话者从涉及认知，感知，处理的基本智能部分开始。他还展示了反思细菌的模式。最后，社交网络的使用可以看作是化学推文的驱动。
持续时间 - 03：00分钟
总结： 视频的标题足以说明其内容。这段视频演示了一个学习跳跃球的基因的完整过程。
10.遗传算法学习如何打！
持续时间02：15分钟
总结： 就像以前的视频一样，它也强调神经网络的应用和广泛的实现。在这个视频中，一个遗传算法学习如何战斗。这样的视频触发了我的胃口去学习，因为我意识到了神经网络难以估量的潜力。
与Deep Learning相关的视频
持续时间 - 52:40分钟
简介：本视频教授了Python深度学习的实现。它从手写数字识别的“激励”问题开始。它还演示了python用于解决基于60,000个图像的数据集的完整代码。然后说话者强调这些代码，并确保他不会错过解释重要的代码和算法。
2.深入学习Theano和OpenDeep作者：Markus Beissinger
持续时间 - 1:09:04分钟
总结：这个视频为了解深度学习的概念提供了一个良好的开端。马库斯通过解释深度学习背后的故事开始这个谈话。然后，他对线性代数进行了快速的回顾，其次是基本神经网络，无监督模型和RNN-GSN。稍后，解释如何使用Theano在Python中实现简单的神经网络。
持续时间 - 1:24:06分钟
简介：本次演讲将向您介绍集深度学习和大数据于一体的新概念。深度学习已经开始从大数据中获得重要价值。在本视频的后半部分，您会发现Google，Facebook和其他大型巨头的研究科学家们正在进行有益的讨论。他们的讨论涵盖了深入学习和大数据的大部分要素，这对推动其未来发展至关重要。
持续时间 - 2:00:04分钟
总结：这个视频发布不到一周。这是我在计算机视觉上发现的第一个教程。本教程介绍了（空间池），规范化，图像网络分类等概念。最后，使用一系列有用的图像展示了各种令人惊叹的应用程序。
5.卷积神经网络
持续时间 - 50:30分钟
简介： 牛津大学计算机科学系几个月前发布了这个教程。这是迄今为止最受欢迎的视频片段之一。演讲者讨论了如何使用convnets进行对象识别和语言的概念，如何设计卷积层，如何设计合并层。在后半部分的视频中，他讨论了在火炬中构建小圆点的过程。
持续时间 - 48:20分钟
简介：本讲座由Coursera创始人Andrew Ng发表，旨在介绍无监督特征学习和深度学习的发展，可自动表征特征数据。在这个演讲中，Andrew描述了无监督特征学习和深度学习的有用概念，介绍了几种算法，并提出了一个相关的案例研究。
持续时间 - 1:05:20分钟
总结： 机器学习的先驱Geoff Hinton谈到了这个视频中深度学习的最新发展。他强调各种算法的数学方面，他谈到了诸如对象识别，信息检索和深度网络相当成功的运动捕捉数据建模等任务。
8.访问Google的AI和深度学习“教父”Geoffrey Hinton
持续时间 - 27：30分钟
总结：这是一个采访杰弗里·辛顿的音频版本。在这次采访中，他介绍了谷歌如何实施人工智能系统。此外，他强调人类的学习组件，以及使用神经网络的机器。对于每一个机器学习爱好者来说，这都是一个必须的手段。
持续时间 - 54:31分钟
总结： 纽约大学计算机科学系的Yann LeCun谈论学习理论难以应用的问题，并将其作为社区研究的挑战。他谈到了各种深度学习的概念和他对学习表示的兴趣，他认为这可能是AI机器学习的下一步。
10.深度学习将如何使自驾车辆
持续时间 - 1:05:30
简介： NVIDIA的深度学习专家Mike Houston谈到了深度学习培训系统NVIDIA DIGITS，以及NVIDIA DRIVE PX车载电脑，让汽车能够自我驱动。他谈到了他的团队用来构建这些自驾车的训练工具和平台，以及他们使用的Deep Learning算法。
11.深入学习决策和控制
持续时间 - 56:02分钟
简介： 在本视频中，Sergey Levine是一名博士后研究员，与加州大学伯克利分校的Pieter Abbeel教授一起探讨深度学习在决策与控制中的应用。他专注于应用程序，如连续控制任务和一些其他更广泛的应用程序。他还介绍了使用监督式学习解决这些挑战的算法。
持续时间 - 1:00:23分钟
简介： Google知识集团高级研究员Jeff Dean谈到了如何使用神经网络和深度学习来构建更智能的计算机系统。他专注于计算机系统的能力，如基本的言语和视觉，语言理解和用户行为预测，以及他如何在谷歌的各种产品中应用所有这些技术。
结束笔记
希望你找到这个名单有用。正如之前提到的，对于初学者来说，它可能看起来不可思议 - 一步一个脚印，一边编码。如果您有视频的建议，应该添加到此列表，请随时在这里添加它们。我会喜欢看他们！
评论中的视频地址包括
机器学习刚刚开始的一系列视频。
Youtube
https://www.youtube.com/playlist?list=PL5-da3qGB5ICeMbQuqbbCOQWcS6OYBr5A
博客
网友评论