各类型里多数人会感兴趣、对大部分人有帮助、相对完整系统的 AI 资源。
卡内基梅隆大学 11-785《Introduction to Deep Learning》2026 年秋季课程的主页，页面导航包含 About、Office Hours、Events、Syllabus、Lectures、Recitations & Bootcamps、Assignments、Projects，并提供 F26、S26、F25 等学期入口。线下授课地点为 Baker Hall 的 Giant Eagle Auditorium（A51），页面还给出课程直播链接。适合想了解该课程安排与材料的人查看。
卡内基梅隆大学 11-766 课程“大语言模型应用”2026 年春季学期页面。课程为研究生级别，目标是教授如何将核心 LLM 技术应用于实用、学术和探索性场景。页面列出上课地点 Doherty Hall A302、时间周二和周四 11:00–12:20，以及教师 Daphne Ippolito、Fernando Diaz 和助教的答疑时间与联系方式，课程材料问题走 Piazza、成绩等事务用指定邮箱。更新栏提到新作业“Language Models beyond Natural Language”和项目提案说明已发布。
斯坦福 CS229 机器学习课程 2026 夏季学期的课程主页，授课教师为 Jehangir Amjad 和 Anand Avati，并列出助教名单。页面给出课程介绍（监督学习、无监督学习、学习理论、强化学习及各类应用）、上课时间地点（周二、周四 16:30–18:15，NVIDIA Auditorium）以及先修要求：具备 Python/NumPy 编程能力（相当于 CS106A/B）、概率论（相当于 CS109 或 MATH151）、多变量微积分与线性代数（相当于 MATH51 或 CS205L）。相关链接需用斯坦福邮箱登录访问。
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。
这是卡内基梅隆大学 10-703 深度强化学习课程的课程网站，课程综合计算机视觉、机器人控制、强化学习和语言理解等方向，讨论如何构建能感知世界并通过模仿、最大化稀疏奖励或满足好奇心来学习行动的智能体。课程目标包括实现和实验现有方法、评估其样本复杂度与泛化性、理解机器人学习领域论文等。页面列出先修要求：算法、概率、计算机视觉、深度学习（TensorFlow 与 PyTorch）、矩阵微积分和编程基础。
Harvard CS1810：Machine Learning（2026）
哈佛大学 2026 年 CS1810 机器学习课程主页，授课教师为 David Alvarez-Melis 和 Yilun Du，上课时间为周二、周四 9:45–11:00，地点 SEC 1.321。课程对机器学习、概率推理和不确定环境下的决策做广泛而严谨的介绍，讨论常见算法的动机及其适用于特定任务的性质，要求推导多种方法的数学基础并将其应用于真实数据。主题包括监督学习、集成方法与提升、神经网络、支持向量机、核方法、聚类与无监督学习、最大似然、图模型、隐马尔可夫模型、推断方法、强化学习。课程面向高年级本科生，要求能编写较复杂程序、具备概率论基础并熟悉微积分与线性代数，提供的脚手架代码均为 Python。
Machine Learning Specialization（Coursera）
这是 Coursera 上由 Andrew Ng 等讲授的“机器学习专业课程”页面，共 3 门课，号称适合初学者的入门级课程，页面显示已有 854,778 人报名、课程评分 4.9（39,437 条评价），约 2 个月、每周 10 小时的灵活进度。学习内容涵盖用 NumPy 和 scikit-learn 构建模型、线性与逻辑回归、用 TensorFlow 训练神经网络做多分类、决策树与集成方法、聚类与异常检测、协同过滤推荐系统以及深度强化学习。适合机器学习零基础、想系统入门的自学者了解课程内容。
这是斯坦福大学 CS234 强化学习课程 2026 年冬季学期的课程网站，包含课程安排、讲义材料、作业、课程项目和论坛等栏目。课程介绍强化学习这一让自主系统学会做决策的方法及其在机器人、游戏、消费者建模和医疗等领域的应用，内容涵盖泛化与探索等核心挑战，作业涉及强化学习基础、深度强化学习以及基于人类反馈的强化学习基础。课程由 Emma Brunskill 讲授，先修要求为熟练掌握 Python。
卡内基梅隆大学 2026 年秋季 10-301/10-601 机器学习导论课程主页，授课教师为 Matt Gormley 和 Bryan Wilder。页面说明课程系统讲授现代机器学习的方法论、数学与算法，并列出课程规模：26 讲、9 次作业、3 次编程测试、3 次考试，以及两个分段的上课时间。已公开的课程模块按主题排布，包括分类与回归（机器学习作为函数逼近、决策树、过拟合与 k 近邻、模型选择与实验设计）、线性模型（感知机、线性回归、机器学习中的优化、随机梯度下降与逻辑回归、特征工程）等，并配有编程实验和习题课安排。
加州大学伯克利分校 CS188 课程 2026 年秋季学期主页，授课教师为 Emma Pierson 和 Peyrin Kao，周一、周三 14:00–15:30 在 The Gateway Building 1210 上课，并提供 Zoom、录播播放列表及面向注册学生的录播图库。页面公告栏包含第 9 周通知：Project 3 DUE 的预约时段已发布，涉及 DUE 要求的说明与指南链接；期中成绩已在 Gradescope 发布，并给出重新评分申请的截止时间为 10 月 27 日 23:59（太平洋时间）及申请方式。
斯坦福大学 Statistics 315a“Modern Statistical Learning”2026 年冬季课程主页，授课教师为 Brian Trippe。课程介绍称其讲授现代机器学习背后的统计技术，学习目标包括熟悉常见机器学习方法及其统计基础、根据数据集与分析目标选择合适的工具、用 Python 和 PyTorch 实践与评估机器学习方法，以及通过构建核心组件和简化实现理解用于文本与图像生成的大规模机器学习系统；材料显示课程约三分之二内容涉及若干主题。页面另列上课时间（周二、周四 13:30–14:50，McCullough Building 115 室）、教师与两位助教的答疑时间，以及使用 Ed、Gradescope 和 Canvas 的安排。
斯坦福大学 CS224V“Agentic AI”2026 年秋季课程日程页，按日期列出每次课的主题、说明、相关事件与截止时间。已列出的内容包括 9/23 课程导论（如何把会幻觉的 LLM 变成可靠智能体、面向读写与检索的 LLM 算法、可问责 AI）、9/28 知识整理（STORM/Co-STORM 系统，作业 1 发布）、9/30 研究项目选题（AOS 架构、领域智能体等）、10/5 可问责 AI（SMT 约束式检索，SatIR、VERDICT 系统，作业 1 截止）以及 10/7 学生项目选题等。