書籍類
DL 書籍
- Deep learning book
個人認為這本書現在有一點點過時，但是我17年暑假刷完這本書覺得受益良多，這在當時把DL比較主流的知識以及幾種看法都整理了出來，但是本身太厚重，不過還是算是非常值得看的書籍。
ML 書籍
- The Elements of Statistical Learning
- Pattern Recognition and Machine Learning
- Machine Learning-A Probabilistic Perspective
這三本書我只有詳讀過PRML，算是補了機率的坑，裡面大部分的模型都會把背後的理論基礎講清楚，然後ESL我當初是簡單翻一遍覺得主要都是PRML的內容就沒有詳讀，MLAPP我是對照著跟PRML一起看，不過MLAPP的數學相對更硬一點。
RL 書籍
基本上RL必看就上面那本我認為也只需要看那本。
NLP 書籍
線上課程
DL 基礎課程
- Deeplearning.ai — Deep learning specialization
這堂課超棒!!，我上週無聊花一天跳著把他看完，讓我有種相見恨晚的感覺，講比較少直覺的東西(cs231n就滿滿直覺)，但是很多東西都用圖或是數學跟你清晰的分析出來，數學也不會特別難，推薦還沒有DL基礎的可以去看，不過如果有基礎(cs231n之類的)就可以不用浪費時間了。 - CS230 Deep Learning by Andrew Ng
18年release video到youtube : link，大概就是上面那堂課的稍為進階版，推薦看 - 李宏毅ML
台灣人必看課程！雖然叫做ML，不過基本上都在教DL，講得很high level(抽象)，不過李老師很會舉例子&抓到學生容易疏忽的點 - CMU DL course
- Hinton 入門課
極無聊 - Oxford DL 課程
Nando de Freitas本人講課我覺得還算不錯，不過就是口音有點不太熟悉。 - Hugo大神的DL課
偏簡單
RL 課程
- David Silver Reinforcement Learning
這堂課相當基礎，裡面數學都是很簡單的form，可以當作RL入門，但是缺點也是太簡單+太抽象。 - Berkeley CS 294 Deep Reinforcement Learning
這堂課有2個版本(以上)，我聽過2017fall的跟Spring2017的一點點，fall是Sergey Levine大神自己教，Spring還有他的高徒Chelsea Finn會講，個人比較喜歡Sergey Levine的上課風格所以我比較喜歡fall，兩個版本其實難度差異不大，Spring前面會從LQR開始講會偏難，fall把這塊拿到學期中才講，個人認為比較適合入門。這堂課作業超有趣(? - Deep RL BootCamp
2017 Berkeley那邊開的RL暑期工作坊，每堂課都用短短的時間詳解一個重要的概念，缺點是步調比較快不適合入門，但是我覺得slide都做得很好。 - Stanford CS234 RL by Emma Blumskill
winter 2019開始上傳影片到youtube : link
ML 課程
基本上ML我唯一推薦林軒田老師的課程！
- 林軒田老師 ML基石+ML技法
這套應該算是中難度入門，比較注重在Learning theory而不是各種花俏的model，也相當數學，但是個人認為田神的上課模式非常適合自學，所以滿推薦可聽聽這套的。 - Andrew ng (Coursera)
Andrew ng老師的這堂課在台灣非常多人聽過，其實偏簡單，但是裡面的一些用語或是敘述邏輯很常被引用，所以可以聽聽，這樣跟其他人溝通的時候更容易了解別人在說甚麼。 - Oxford ML
- CMU ML 10601 0701
CV 課程
- cs231n
神課不多說，滿推薦16年的版本，Andrej講課風趣又仔細。
有十分詳細的note就算不上課也很值得看。
後半基本上都在講CV的發展，很完整的入門CV的知識。 - UMich Deep Learning for Computer Vision
原本cs231n的助教Justin Johnso跑去UMich任教後開的課程，跟cs231n有滿多重複的內容，但是相對內容更新，是很好的一堂課，推薦可以聽這堂！ - CAP6412 Advanced Computer Vision
這堂課就像是一學期的演講，每堂課就講一篇論文or一個研究領域的幾篇論文
NLP 課程
- cs224n
基本上就是NLP屆的cs231n，一樣經典，一樣基礎，入門必看。 - Oxford Deep NLP
一樣是入門課，可以用來補充cs224n的內容。 - CMU Neural Net for NLP
上課普通，但是整理出超神的reading list，如果想做NLP超級推薦看他的各種reading material。 - UCB Applied NLP
沒有影片，但是有很完整的ipynb可以練習，建議如果想練傳統的NLP技術可以把所有的notebook都寫一寫。
Graph Network 課程
- cs224W 沒有影片但是有slide，算是graph的入門課程
ML System (極推薦來看！！！！)
- CMU Machine Learning in Production / AI Engineering
主要在講如何把ML應用在業界，很難一言以蔽之，可以更理解演算法以外我們真實應用ML可能會遇到的問題。 - UCB Full Stack Deep Learning 2020
從以前的FSDL bootcamp轉型而來的課程，一樣以完整開發一個ML系統為中心，一樣非常推薦
Advanced 課程(下面的課程跟上面都不是一個水平的，請小心食用)
- Yann Lecun DL 中階課
這堂課原本定位在intro，但是其實講了不少比較進階的內容，可以當成入門看完的下一步，優先用這堂課來補知識。 - MIT 6.S191 Introduction to Deep Learning
目前正在更新最新的影片，裡面會提到比較應用面的知識，其實也不算進階，但是不適合入門，可以用來增廣見聞。 - UCB cs294 158 Deep Unsupervised Learning
Pieter Abbeel開的專門講unsupervised的課程，很猛，對unsupervised有興趣的非常推薦聽。 - Stanford CS 330: Deep Multi-Task and Meta Learning
影片
針對meta-learning的課程，由Meta Learning大神Chelsea Finn主講，非常多很新的研究內容。 - Stanford Theories of Deep learning
DL理論神課，第3課開始暴走，超極強的reading list，每堂課都會有開啟新宇宙的感覺，不過難度也是爆表，大概是這些課程中最難。 - CMU Statistical Machine learning
Machine Learning目前線上課程裡面最硬的一堂，影片在youtube有多個年份的版本。
如果想要做比較理論的ML非常推薦來看這堂。 - CMU Convex Optimization
算是跟ML相關很重要的理論知識
上面這些課程我都看過一遍以上，很多課程的知識只要吃完，就已經比目前市面上所有繁體書籍的內容還要更完整了，所以很推薦從上述課程來學習。
不過因為是世界各大學校的課程，所以授課語言主要為英語，也比較偏學界思維，如果想要學習業界思維我之後再整理一篇，比較以各個公司的課程、blogger分享的資源。
如果喜歡這篇文章可以幫我多拍手幾次XD，或是對於哪個類型文章有興趣都可以在留言區跟我講~ 後續會以中難度的ML/DS/AI知識為主，以及AI/HCI研究相關知識。