课程精选。
Practical Deep Learning for Coders - Practical Deep Learning
fast.ai 的免费深度学习课程站点，主体是 2022 年第一部分共 9 讲、每讲约 90 分钟的课程录像，涵盖计算机视觉、NLP、表格数据和协同过滤建模，以及随机森林、回归、模型部署，使用 PyTorch、fastai 和 Hugging Face；页面还提到新推出的 30 多小时第二部分课程。适合有编程经验、想上手实际应用的人。
Missing Semester IAP 2026
MIT 2026 年独立活动期（IAP）开设课程的讲座录像播放列表，共 9 讲，内容包括 Shell 与命令行环境、开发工具、调试与性能分析、Git 版本控制、打包与发布、Agentic Coding、代码质量等。适合想补齐命令行与开发工具链实用技能的人。
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。
CS50x Lectures
哈佛大学 CS50 计算机科学导论课程的 YouTube 播放列表，共 13 讲，从 Scratch、C 讲到 Python、SQL、HTML/CSS/JavaScript，强调正确性、设计和风格，面向有或没有编程经验的学生。适合零基础或想系统过一遍编程与计算机科学基础的人。
一个 YouTube 播放列表，收录斯坦福研究生课程 CS229 机器学习 2026 春季学期的课堂录像，共 17 讲。材料列出的前 8 讲标题涵盖课程介绍、监督学习设置、加权最小二乘、指数族与 GLM 分类、高斯判别分析、数据集划分与机器学习建议、神经网络架构等。课程内容为机器学习与统计模式识别的广泛导论，涉及监督学习、无监督学习、学习理论与强化学习，以及机器人控制、数据挖掘、语音识别等应用。
MIT 6.S191：Introduction to Deep Learning
MIT 6.S191 深度学习入门课程网站。课程定位为高强度的短期训练营，讲授深度学习基础及其在自然语言处理、计算机视觉、生物等领域的应用，内容包括深度学习算法基础、构建神经网络的实践经验，以及大语言模型和生成式 AI 等前沿话题，并以项目提案竞赛收尾。先修要求假设学习者掌握微积分（求导）和线性代数（矩阵乘法），有 Python 经验有帮助但非必需，也欢迎旁听。页面显示 2026 年课程时间为 2026 年 3 月 30 日至 5 月 25 日每周一美东时间上午 10 点，线上版本每周同步发布，并列出各讲主题与幻灯片、视频、代码实验室的开放安排。
这是加州大学伯克利分校 CS189/289A 机器学习导论课程 2026 年春季学期的课程网站，由 Jennifer Listgarten 和 Alex Dimakis 授课，页面包含日程表、讲义材料、讨论课与作业链接。课程安排显示第 1 周从“引入与机器学习问题界定”开始，随后涉及数据工具、机器学习机制与术语、聚类与概率复习等主题，并配有推荐阅读、讲义 PDF 与视频以及作业。适合想系统学习机器学习基础的人参考课程内容。
斯坦福大学 2026 年春季 CS336 “Language Modeling from Scratch” 课程主页，授课教师为 Tatsunori Hashimoto 和 Percy Liang，另列有多名课程助理及各自的答疑时间，课程录像发布在 YouTube 播放列表。页面介绍课程定位：语言模型是现代自然语言处理应用的基础，课程通过带学生走完开发语言模型的完整流程，帮助其全面理解语言模型。页面还提供往期开课（2025 春、2024 春）链接和课程联系方式说明。课程涉及大规模模型训练，适合具备深度学习与系统实现基础、希望深入理解语言模型构建过程的人了解。
斯坦福大学管理科学与工程系 MS&E 233 课程大纲页面，主题是博弈论、数据科学与人工智能交叉领域的基础与应用。课程分三部分：求解复杂博弈的计算方法及其在围棋、扑克等游戏智能体上的应用；数据科学与机制设计的结合，如从数据优化拍卖与机制、在线拍卖市场、学习博弈中的结构参数与博弈计量经济学；以及在存在策略性行为时部署机器学习与数据科学流程，包括市场中的 A/B 测试与 Uber、亚马逊等平台上的应用。适合关注博弈论与 AI/数据科学交叉方向的人了解课程内容。
MIT：Introduction to Data-Centric AI（2024）
MIT CSAIL 于 2024 年 IAP 开设的“Introduction to Data-Centric AI”课程网站，页面称这是首个关于数据为中心 AI（DCAI）的课程。课程主张除改进模型外，改进数据集本身往往也是提升实际机器学习表现的最佳途径，并把数据改进从依赖试错与直觉的手工做法变成系统性的工程学科；内容侧重监督学习（如分类）中用于发现和修复数据问题、构建更好数据集的算法，强调实用而非模型数学细节，目的是缓解“垃圾进、垃圾出”问题。日程列出了数据为中心与模型为中心 AI、标签错误与置信学习等主题。
这是 MIT OpenCourseWare 上 2014 年秋季开设的研究生课程 6.438 的课程页面，由电子工程与计算机科学系的 Devavrat Shah 教授讲授。课程介绍称其是研究生层次的统计推断原理入门，所涉概率模型以图表示方式定义，内容构成机器学习、信号处理、人工智能、计算机视觉与控制等方向工作的共同基础。页面列出课程所属主题（算法与数据结构、概率与统计、可视化等）以及可用资源类型，包括讲义笔记、习题集和考试。适合具备概率统计基础、希望系统学习图模型统计推断的研究生或相关方向学习者查看。
MIT OpenCourseWare 上 6.231《Dynamic Programming and Stochastic Control》的讲义幻灯片页面，课程由 Dimitri Bertsekas 教授讲授，属电子工程与计算机科学系研究生课程，2015 年秋季开设。页面提供完整讲义 PDF 及分讲次幻灯片，例如有限时域问题讲座涵盖动态规划导论与示例、反馈的意义、最优性原理与通用动态规划算法、状态增广、确定性有限状态问题与逆向最短路径等。课程材料还包括考试及解答、习题集和视频。适合学习动态规划与随机控制理论的人使用。