MIT 课程官网·学期未标注
MIT 6.7960 深度学习（2024 秋）
MIT OpenCourseWare 上的深度学习课程页面，2024 年秋季开设，覆盖 MLP、CNN、RNN、图网络、Transformer 等架构，深度学习中的几何与不变性、反向传播与自动微分、高维泛化理论，以及视觉、NLP、机器人等应用；授课教师包括 Phillip Isola、Sara Beery、Jeremy Bernstein。适合想系统学习深度学习理论与实践的人。
- 收录时间
- 2026-11-02
推荐阅读
深度学习系统：算法与实现（2026 秋）
这是卡内基梅隆大学风格课程“深度学习系统”的 2026 秋季课程主页（页面来自 dlsyscourse.org）。页面列有开课信息：首次课 8 月 25 日，周二、周四 11:00–12:20 在 DH 2315 上课，并给出了助教答疑的时间和地点表。课程说明部分提到，前几周采用按 Andrew ID 首字母分组的“线下期望轮换”临时安排：ID 以 a–m 开头的周二到课、周四远程，n–z 反之；所有讲座都会录像。页面还包含课程描述，说明深度学习对人工智能的影响。适合想了解该课程安排和上课方式的人阅读。
GPT-6.1 Terra
Simon Willison 的博客文章讨论 OpenAI 发布 GPT-6.1 Terra 时的宣传重点：视觉推理与计算机操作，兼有更清晰自然的写作。文中指出 Terra 在模型序列中的定位类似 Anthropic 的 Sonnet，介于最便宜与最贵之间；并引用 OpenAI 的 Ted Sanders 在 Hacker News 上的说法，称 Terra 在技术沟通上优于 Astra 与 Sol、在视觉与计算机操作上相当但更快、多数其他方面略弱，以及它对开发者和订阅用户分别意味着什么。
UC Berkeley EECS182/282A：深度神经网络（2025 秋）
加州大学伯克利分校 EECS 182/282A《Deep Neural Networks》2025 年秋季课程网站，课程时间为周二、周四 11:00–12:30，地点 Soda 306。课程简介称深度网络革新了计算机视觉、语言技术、机器人与控制等领域，但尚无完整的紧凑理论原则，课程试图在直觉、理论建模、实际实现、实证研究与科学分析之间展开；讲座由院系录制并发布到 YouTube 播放列表，需用 @berkeley.edu 账号登录访问，授课内容大量使用白板或手写平板而非幻灯片。
Stanford CS231n：计算机视觉中的深度学习（2026 春）
斯坦福大学 2026 年春季 CS231n《Deep Learning for Computer Vision》课程网站。页面用一个在浏览器中实时运行的卷积神经网络示例（CIFAR-10 分类，架构为 [conv-relu-conv-relu-pool]x3-fc-softmax，共 17 层、7000 参数，用 ConvNetJS 训练）说明输入图像如何经一系列函数变换为类别概率。课程简介指出视觉识别（图像分类、定位、检测）是搜索、图像理解、地图、医疗、无人机、自动驾驶等应用的核心，深度学习显著提升了这些系统的性能，并说明这是一门深度学习课程。
多伦多大学 CSC412/2506：概率机器学习（2025 冬）
多伦多大学 2025 年冬季 CSC412/2506 概率机器学习课程主页，授课教师为 Denys Linkov，并列出助教名单。课程介绍指数族、有向图模型、马尔可夫随机场、精确推断、消息传递、采样与 MCMC、隐马尔可夫模型、变分推断、神经网络、嵌入、注意力、稀疏自编码器、专家混合（MoE）、约束解码、投机解码、变分自编码器和扩散模型等主题，并给出基于概率构建模块的建模与优化方法概览。页面还列出作业 A1–A4 与练习期末的发布时间和截止时间，以及助教答疑时间与开课日期。
GPT-6.1 Terra
OpenAI 官网介绍 GPT-6.1 Terra 的页面，正文含有「从视觉理解到行动」「事实性与编程能力的显著提升」「安全与对齐」「定价与可用性」等小节标题。页面还链接到 OpenAI 开发者文档中该模型的 API 说明页。材料仅能看出这是一个模型发布与介绍页面，具体性能数据未在材料中体现。