不要在神经网络课程的海洋中溺水：如何找到真正值得学习的课程

一个常见的场景：你决定复习一下深度学习知识，打开 YouTube，发现成千上万个标题类似"5 分钟搞懂神经网络"的视频。你点开一个，又一个，再一个，但得到的不是深度理解，而是一团碎片化的信息。最终，时间花了，而 Geoffrey Hinton 所说的那种直觉却从未出现。

我偶然发现了一个名为 Deep Learning Drizzle 的仓库，这可能是我近两年来见过的最相关的 AI 教育内容集合。项目作者 kmario23 做了大量工作——他们不只是简单堆砌链接，而是精心整理了来自全球顶级实验室的最佳大学课程和讲座。

简而言之，这是一个包含大量免费视频讲座、幻灯片和代码的目录。这里没有"信息大师"课程，只有来自斯坦福、MIT、牛津、CMU 等顶尖学府的严谨学术方法。

这个仓库有超过十个分类。以下是我建议首先关注的几个：

深度学习（深度神经网络）。这是基础。这里汇集了超过 80 门课程。包括 Andrej Karpathy（斯坦福）的传奇课程 CS231n，以及 NYU 的 Yann LeCun 本人的讲座。有趣的是，作者收录了不同年份的课程——你可以追溯从 2012 年到今天方法论的变化。
机器学习基础。如果你在线性代数或梯度概念上有困难，这里正是为你准备的。你会找到 Gilbert Strang 的线性代数讲座，以及 3Blue1Brown（Grant Sanderson）的优秀可视化内容。
强化学习。强化学习是一个具有挑战性的主题，但这里有 DeepMind 的 David Silver 课程。这在业界堪称黄金标准。
自然语言处理。涵盖 NLP 的所有内容：从经典方法到 Transformer 和现代语言模型。包括 Christopher Manning 的斯坦福课程。
几何深度学习。这是目前最热门的方向之一（图神经网络）。列表中包含 Michael Bronstein 的讲座，他基本上是这个学科的创始人。

自学的主要问题在于缺乏系统性。你可能知道如何从库中导入 ResNet，但不理解它为什么这样工作。Deep Learning Drizzle 让你能够接触到一手资料来源。

例如，如果你需要理解模型优化，你可以打开相关板块，找到 Stephen Boyd 的凸优化课程。这不仅仅是"参数调整"——而是一种数学基础，让你能够有意识地处理模型训练，而不是盲目摸索。

顺便说一下，集合中有一个医学影像板块。这是一个很好的例子，说明通用 DL 知识如何应用于一个狭窄但至关重要的领域。如果你正在考虑转行或寻找个人项目创意，可以看看这个板块中的讲座。

不要试图一口吃成胖子。列表很大，如果你不加选择地开始观看所有内容，很快就会筋疲力尽。我建议采用这种方法：

作者还加入了一个关于暑期学校的板块。这是浓缩的知识，通常在一到两周的密集训练中完成。讲座由业界"传奇"讲授，这是快速掌握某个特定主题的好方法。

这个项目在 GitHub 上有近 13,000 颗星，这是当之无愧的。它不仅仅是一个链接列表——而是一个活生生的指南。当然，指向大学页面的某些链接最终可能会"失效"，但课程名称和教授姓名仍然是搜索网络的绝佳路标。

这是给谁看的？首先是那些想要理解算法"内部原理"的人，而不仅仅是调用 .fit() 和 .predict()。如果你正在为大型科技公司的 ML 工程师职位面试做准备，从这个列表中选择几门课程将给你带来巨大优势，超越那些从短教程学习的人。

所以，如果你一直在寻找一个契机来终于搞懂神经网络数学或学习贝叶斯方法——这就是了。只需打开 Deep Learning Drizzle，开始向最好的学习。