机器学习原理视频

想自学机器学习和深度学习?不妨边看专家讲解视频边自学。不仅能感受世界各地专家的熏陶，也能快速获取知识，一举两得。这篇文章整理了一个 YouTube 视频列表，供希望在该领域学习的朋友使用。

　　视频观看建议

　　我将视频分为三类：机器学习、神经网络、深度学习。为方便起见，你可以使用我创建的列表按顺序学习。特别推荐初学者根据顺序学习，以更好地理解视频。

　　这套参考视频集需要时间消化，若觉得视频太多请根据需要调节每次的学习时长。视频长度从几分钟到几小时不等。我已写出每个视频的摘要，供读者查阅。

　　一、机器学习相关视频

　　1. 机器人和人工智能的未来(斯坦福大学，吴恩达)

　　原标题：The Future of Robotics and Artificial Intelligence

　　链接：https://www.youtube.com/watch?v=AY4ajbu_G3k&feature=youtu.be

　　时长：16 分钟 26 秒

　　总结：开启机器学习之旅最好的方法就是，莫过于听全世界最好的老师和专家讲课。斯坦福大学 的吴恩达在此讲述了自己幼时的梦想，创造一个可以像人类一样思考和工作的机器人，并改善千万人的生活。另外，他还探讨了人类大脑和使机器行为更类人的软件之间的相似性。

　　2. 吴恩达机器学习讲座系列

　　原标题：Lecture Collection | Machine Learning(Stanford)

　　链接：https://www.youtube.com/playlist?list=PLA89DCFA6ADACE599

　　时长：每课大约一个小时

　　总结：这是斯坦福大学吴恩达教授的斯坦福大学里所有机器学习课程列表。我从中受益良多，个人认为该课程比 Coursera 上的课程还要精彩。

　　视频中包含的机器学习概念有，线性/对数回归，监督学习和非监督学习，学习理论，强化学习和自适应控制等。他还讨论了以下技术，包括朴素贝叶斯、神经网络、支持向量机(SVM)、贝叶斯统计、正则化(Regularization)、聚类(Clustering)、主成分分析(PCA)、独立成分分析(ICA)。其中还涉及了机器学习近期的应用，如机械控制、数据挖掘、自主导航、生物信息学、语音识别、文本和网络数据处理等。

　　如果你是个对这项技术还没有清晰概念的小白，希望选择透彻清晰的介绍性视频，可以选择这个视频开始学习。

　　3. 从数据中学习 – Caltech

　　原标题：Learning from Data – Caltech

　　链接：https://www.youtube.com/playlist?list=PLD63A284B7615313A

　　时长：每课大约一个半小时

　　总结：这是 Caltech(加州理工大学)的机器学习课程，其中共含 18 个视频。Yaser Abu-Mostafa 教授详细论述了机器学习的各种概念和技术。其中涉及了大量的数学知识和机器学习背后的理论，还附有一些有难度的编程练习。本课程将理论与实践相结合，从数学和启发式的角度进行讲解，每节视频之间像讲故事一样承前启后。我推荐学习者完成课程作业。

　　4.使用 Python，通过声音编码

　　原标题：Using Python to Code by Voice

　　链接：https://www.youtube.com/watch?v=8SkdfdXWYaI

　　时长：28 分16 秒

　　总结：Tavis Rudd 在这段精彩视频中说，他曾花费两年时间研发出这个用声音识别进行编码的特性，这个特性非常出色。他用 Python 和 Emacs Lisp 进行了大量的词汇调整(vocab tweaking)和管道胶带编码(duct-tape coding)，进而打造了一个编码速度更快的系统。他进行了现场展示，根据他的声音，该系统几秒钟内就能执行操作，而正常情况下这需要耗时几个小时。

　　5.使用 Python 做基于云的机器学习

　　原标题：Python-Powered Machine Learning in the Cloud

　　链接：https://www.youtube.com/watch?v=dHP7qo2xyX0

　　时长：18 分

　　总结：Stephen Hoover 在该视频中讲到，他任职的公司 Civis Analytics 有个用 Python 构建的基于云的数据科学平台，该平台可用来分析数据，可以帮助分析师很轻易地大步提高工作效率。他还讲述了该平台机器学习的多个方面，以及在Python 中有助于数据分析的一些开源库，比如 Pandas，NumPy ，Scikit-Learn。

　　如果你已经坚持到了现在，我表示祝贺!完成下一个视频，就可以探索后面的神经网络和深度学习了。如果你小时候也是个马里奥迷，那你肯定会更对下面这个视频感兴趣的!

　　6. MarI/O ，完视频游戏的机器学习

　　原标题：MarI/O – Machine Learning for Video Games

　　链接：https://www.youtube.com/watch?v=qv6UVOQ0F44

　　时长：6 分

　　总结：视频展示了一个叫做 MarI/O 的计算机程序学习玩超级马里奥游戏的过程。该程序由神经网络和遗传算法构建而成。从视频中可以看到，与人脑相比该程序真正地发生了生物演进。这个程序是机器学习应用中一个很出色的案例，展现了在各种人类活动中机器学习广泛的可用性。

　　二、神经网络相关视频

　　1.神经网络入门指导

　　原标题：Getting started with Neural Networks

　　链接：https://www.youtube.com/playlist?list=PL6Xpj9I5qXYEcOhn7TqghAJ6NAPrNmUBH

　　时长：每个大约 8 分钟

　　总结：这个播放列表叫做神经网络课程(Neural Network Class)。其中包括神经网络中从基础到进阶的各种概念，包括人工神经元，激活函数，递归网络训练等。视频内容简短而节奏明快，每个视频最长不超过24分钟。我推荐所有开始学习神经网络的人观看该课程。

　　2.神经网络训练第一部分：训练过程

　　原标题：Neural Network Training Part 1: The Training Process

　　链接：https://www.youtube.com/watch?v=CVJOseIJnww

　　时长：12 分 40 秒

　　总结：该系列视频讲述了如何训练一个神经网络，即神经网络训练。视频中可以非常简便地预览整个训练课程。在 YouTube 点击该视频上的「Up Next 」 可以看到后续视频，比如神经网络误差计算，梯度计算等课程。

　　3. 人工神经网络简介

　　原标题：Introduction to Artificial Neural Networks

　　链接：https://www.youtube.com/watch?v=xbYgKoG4x2g

　　时长：54分

　　总结：印度理工学院的 S. Sengupta 教授说，人工神经网络运用了非线性，这有助于输入输出映射的过程。他使用纸和笔，以最简洁的方式完美地阐释了人工神经网络的概念，理解起来非常容易。视频最后他简单讲解了人工神经网络的应用情况。不要忘记点击「Up Next 」观看后续视频。

　　4.Matt Zeiler：深度神经网络的可视化与理解

　　原标题：Visualizing and Understanding Deep Neural Networks by Matt Zeiler

　　链接：https://www.youtube.com/watch?v=ghEmQSxT6tw

　　时长：47 分40 秒

　　总结：卷积神经网络常用来识别物体、图像和视频。在这个 47 分钟的视频中，你会了解反卷积神经网络的概念，以及讲者对卷积网络中结构选择的看法。可视化的作用就是展示每一层网络性能信息，以使整个网络性能提高。

　　5. 下一代神经网络

　　原标题：The Next Generation of Neural Networks

　　链接：https://www.youtube.com/watch?v=AyzOUbkUf3M

　　时长：1 小时 2 分1 秒

　　总结：GoogleTechTalks 上，著名的 Geoffery Hinton 做了一番关于神经网络的丰富演讲。该视频将为你的深度机器学习打下坚实的基础。你还可以通过视频了解神经网络的前世今生。Geoff 提到的话题包括反向传播(BP)、数字识别、受限玻尔兹曼机等相关内容。

　　6.神经 Bots——进化的人工智能

　　原标题：Neural Bots – Evolving Artificial Intelligence

　　链接：https://www.youtube.com/watch?v=1iamM0SuPto

　　时长：4 分 40 秒

　　总结：该视频通过设计的「神经 Bots」程序阐释了使用进化的神经网络的人工智能，并用一组预定义的指令让该 Bots 的完整活动进行了可视化，内容非常有趣。

　　7. 用于口语和翻译词的语音识别技术突破

　　原标题：Speech Recognition Breakthrough for the Spoken, Translated Word

　　链接：https://www.youtube.com/watch?v=Nu-nlQqFCKg

　　时长：9 分 4 秒

　　总结：该视频由 Microsoft Research 上载，是微软首席研究官 Rick Rashid 一段简短的演讲视频。Rick Rashid 展示了使用深度神经网络和翻译技术(英语口语翻译成汉语)给语音识别技术带来的突破，与此同时，语音识别技术的常见错误的数量也减少了。

　　8. 跟细菌学习社交网络

　　原标题：Learning from Bacteria about Social Networks

　　链接：https://www.youtube.com/watch?v=yJpi8SnFXHs

　　时长：1 小时 4 分 3 秒

　　总结：该视频中讲述了关于学习的非常规话题：向细菌学习信息处理。演讲者从基础智能开始讲述，包括认知、感觉、处理等。还展示了重新思考细菌的模式。最后，他认为可以认为细菌中的「化学 Twitter 」促进了细菌对社交网络的使用。

　　9. 遗传算法，学习如何跳过球

　　原标题：Genetic algorithm. Learning to jump over ball

　　链接：https://www.youtube.com/watch?v=Gl3EjiVlz_4

　　时长：3 分

　　总结：视频的名字很清楚地描述了内容。该视频展示了一个「基因」学会跳过球的整个过程。

　　10. 一个知道如何战斗的遗传算法!

　　原标题：A genetic algorithm learns how to fight!

　　链接：https://www.youtube.com/watch?v=u2t77mQmJiY

　　时长：2 分 15 秒

　　总结：跟上个视频一样，该视频重点描述了神经网络广泛的应用。在该视频中，一个遗传算法学会了如何战斗。这个视频让我认识到了神经网络极强的可塑性，从而提振了我的学习兴趣。

　　三、深度学习相关视频

　　1. 用 Python 实现深度学习简介

　　原标题：Introduction to Deep Learning with Python

　　链接：https://www.youtube.com/watch?v=S75EdAcXHKk

　　时长：52 分 40 秒

　　总结：该视频讲解了如何用 Python 实现深度学习。其从介绍手写数字识别的一个「激发兴趣」的问题开始。还演示了解决基于 60,000 张图像的数据集问题所用的全部 Python 代码。 然后讲解者重点讲解了代码，确保自己没有错过其中任何重要的代码和算法。

　　2. 用 Theano 和 OpenDeep 实现深度学习(Markus Beissinger)

　　原标题：Intro to Deep Learning with Theano and OpenDeep by Markus Beissinger

　　链接：https://www.youtube.com/watch?v=afUvcD3tEoQ&feature=youtu.be

　　时长：1 小时 9 分 4 秒

　　总结：要理解深度学习的概念，该视频是个不错的开始。演讲者 Markus 刚开始先阐释了深度学习背后的故事，然后快速回顾了线性代数，接着是基本的神经网络、无监督模型和 RNN-GSN 深度学习模型。后面又阐释了在 Python 中如何用 Theano 实现简单的神经网络。

　　3. 深度学习：来自大数据的智能

　　原标题：Deep Learning: Intelligence from Big Data

　　链接：https://www.youtube.com/watch?v=czLI3oLDe8M

　　时长：1 小时 24 分 6 秒

　　总结：这段演讲介绍了将深度学习和大数据整合起来新概念。深度学习已经开始从大数据技术中获取重要价值。视频后半段，谷歌、Facebook 等科技巨头的研究科学家进行了一次非常有用的讨论。该讨论涉及到对深度学习和大数据技术的未来发展至关重要的大部分元素。

　　4. 用于计算机视觉的深度学习(Rob Fergus)

　　原标题：Deep Learning for Computer Vision (Rob Fergus)

　　链接：https://www.youtube.com/watch?v=qgx57X0fBdA

　　时长：1 小时 58 分

　　总结：这是我找到的第一个关于计算机视觉的教程。该教程解释了各种概念，如空间池化、归一化、图像分类等。最后基于一系列有用的图像展示了各种新奇的应用。

　　5. 卷积神经网络

　　原标题：Convolutional Neural Networks

　　链接：https://www.youtube.com/watch?v=bEUX_56Lojc

　　时长：50 分 30 秒

　　总结：牛津大学计算机科学系发布的该教程。目前为止这是已发现的包含卷积网络内容最多的视频。演讲者探讨了在对象识别和语言问题上使用卷积网络的概念，以及如何设计卷积层和池化层的方法。视频后半段讨论了在 Torch 中构建卷积网络的流程。

　　6. 无监督特征学习和深度学习(吴恩达)

　　原标题：Unsupervised Feature Learning and Deep Learning – Andrew Ng

　　链接：https://www.youtube.com/watch?v=ZmNOAtZIgIk

　　时长：48 分 20 秒

　　总结：该视频主讲者为 Coursera 创始人吴恩达。吴先生讲述了无监督特征学习和深度学习的发展，而深度学习可以自动将特征数据的特征表征出来。他还描述了无监督特征学习和深度学习背后一些概念，描述了几个算法，并还展示了一个相关的案例研究。

　　7. Geoff Hinton：深度学习近期进展

　　原标题：Geoff Hinton: Recent Developments in Deep Learning

　　链接：https://www.youtube.com/watch?v=VdIURAu1-aU

　　时长：1 小时 5 分 20 秒

　　总结：机器学习开创者之一 Geoff Hinton 在视频中讲述了深度学习的最新进展。他强调了各种算法的数学方面，提到各种深度学习应用的成功案例，如对象识别、信息检索、根据动作捕捉数据建模等。

　　8. 采访谷歌人工智能和深度学习 「教父」Geoffrey Hinton

　　原标题：Interview with Google’s AI and Deep Learning ‘Godfather’ Geoffrey Hinton

　　链接：https://www.youtube.com/watch?v=1Wp3IIpssEc

　　时长：27分30秒

　　总结：这是一段 Geoffrey Hinton 接受采访的音频。他在其中讲述了谷歌如何实现人工智能系统。另外，他还重点说明了人类的学习组件，以及使用神经网络的机器等。对每个机器学习爱好者来说，这个是一个必听的讲解。

　　9. 学习表征 ：学习理论下一个挑战

　　原标题：Learning Representations: A Challenge for Learning Theory

　　链接：https://www.youtube.com/watch?v=lBUqyn30chk

　　时长：54 分 31 秒

　　总结：纽约大学计算机科学系的 Yann LeCun 讲述了一些学习理论难以应用的领域，并将其作为业界研究的挑战提了出来。他提到了各种深度学习的概念，尤其表达了自己对学习表征的兴趣;他认为学习表征将成为人工智能机器学习技术的下一步。

　　10. 深度学习将如何实现无人驾驶

　　原标题：How Deep Learning Will Enable Self Driving Cars

　　链接：https://youtu.be/2NGnvGS0AtQ

　　时长：1 小时 5 分 30 秒

　　总结：该视频来自 NVIDIA 的深度学习专家 Mike Houston。他提到一个叫做 NVIDIA DIGITS 的深度学习训练系统，还有能使汽车自动驾驶的 NVIDIA DRIVE PX 平台。以及他们的团队在打造无人驾驶汽车和深度学习算法时用到的训练工具和平台。

　　11. 用于决策制定和控制中的深度学习

　　原标题：Deep Learning for Decision Making and Control

　　链接：https://www.youtube.com/watch?v=EtMyH_--vnU

　　时长：56 分 2 秒

　　总结：视频中，博士后研究员 Sergey Levine 与加州大学伯克利分校的 Pieter Abbeel 教授一起，探讨了在决策制定和控制中深度学习的应用。最后 Sergey 重点说明了连续控制任务(Continuous Control Tasks ) 等其他更加广泛的应用方式，另外还描述了使用监督学习算法解决这些问题的方式。

　　12. 用于构建智能计算机系统的大规模深度学习

　　原标题：Large-Scale Deep Learning for Building Intelligent Computer Systems

　　链接：https://youtu.be/4hqb3tdk01k

　　时长：1 小时 23 秒

　　总结：谷歌知识部门(Google Knowledge Group )的高级研究员 Jeff Dean 在视频中讲解了使用神经网络和深度学习构建更智能的计算机系统的方法。他重点讨论了计算机系统的能力，如基本的语音和视觉、语言理解和用户行为预测能力，并说明了这些技术在谷歌的各种产品中的应用情况。