课程精选。
这是 UC Berkeley EECS 127/227A 2026 年春季课程主页。页面提供本学期、2024 年春季和 2022 年秋季的讲座录像链接（不同学期内容并非互相覆盖），以及由往届教学团队编写、本学期将持续更新的课程讲义。阅读材料标注使用两本教材的缩写：CEG 指 Calafiore 与 El Ghaoui 的《Optimization Models》，BV 指 Boyd 与 Vandenberghe 的《Convex Optimization》。页面还链接了线性代数复习课幻灯片，并给出课程日历，第 1–2 周内容涉及最小二乘、向量范数、Gram-Schmidt/QR 与最小范数解等，另附讨论课题目与解答 PDF。适合想了解优化模型课程进度与配套资料的人阅读。
Clinical Data Learning, Visualization, and Deployments（HST.953）
MIT OpenCourseWare 上的一门研究生课程页面，2024 年秋季开设，由 Marzyeh Ghassemi、Leo A. Celi、Adam Rodman、Ned McCague 授课，隶属电子工程与计算机科学系及健康科学与技术系。课程简介说明它讨论在医疗场景中落地机器学习所需的实践考量，先关注利用真实回顾性医疗数据的稳健、隐私与公平的机器学习，随后涉及以实用性为目标的可视化等内容。页面列出的资源类型包括讲师见解、问题集、编程作业和阅读材料。
Zorost Intelligence AI Lab 发布的一套免费、自定进度的 24 周 AI 工程课程仓库，采用 MIT 许可，无需注册。内容覆盖 Python、机器学习、LLM、RAG、微调、Agent 与 MCP，以及 Azure、Vertex、Bedrock 和 Databricks 等平台，包含 43 个可运行的 notebook 和一个贯穿全程的案例研究。README 提供克隆安装步骤，并指引编程或 AI 新手先阅读 START-HERE.md。
AI Coding Workflows: From Cloud to Local - DeepLearning.AI
DeepLearning.AI 学习平台上的一门课程页面，内容与同名的另一条链接一致：以 Claude Code 为基线，讲解如何为更小的模型组织工作、切换编码智能体、接入不同模型与提供商，并从云端过渡到混合与完全本地的工作流，同时评估成本、速度和使用指标方面的取舍。页面正文主要为平台使用提示（查找 notebook 工具文件、重置工作区等），未给出更多课程细节。
Stanford EE292R AI and Data for Science | Autumn 2026 | Models of Computation in the Retina
这是斯坦福课程 EE292R“面向科学的 AI 与数据”2026 年秋季学期的一讲录像，讲者是斯坦福神经生物学教授 Stephen Baccus。该讲围绕早期视觉系统中可机制解释的计算模型展开，带有计算神经科学与机制可解释性方向的标签。
SGLang 与 Datawhale 合作的 LLM 推理课程仓库，提供英文与简体中文版本。课程内容依次为理解 LLM 推理、从零实现一个 mini-sglang、阅读真实 SGLang 源码并提交第一个 PR，仓库标签包含 cuda、kv-cache、inference-engine 等。
Stanford EE292R AI and Data for Science | Autumn 2026 | From World Models to World Agents
这是斯坦福课程 EE292R 的一场讲座，讲者 Gordon Wetzstein 为电子工程系（兼计算机科学系）副教授。讲座介绍视频世界模型的最新进展，重点包括增强长时间上下文中的时间一致性与推理、缓解自回归漂移，以及多智能体动态的整合和有效的人类中心条件控制策略。材料附有课程时间表链接。
Building Reasoning Models from the Ground Up: A Full Video Course
这是 Ahead of AI 作者发布的配套视频课程介绍，包含 8 个从零构建推理模型的编程视频，共约 11 小时，用 Python 和 PyTorch 实现推理扩展、强化学习、蒸馏等方法。课程从一个预训练 LLM 出发，实现评估与改进该模型的方法，是其此前《从零编程 LLM》课程的续篇，但不需要先修该课程。适合希望动手理解推理模型内部机制的人。