全部 AI 精选，可按分级、类型、是否付费、收录时间筛选，按关键词搜索。
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。
RLHF Book：Reinforcement Learning from Human Feedback and LLM Post-Training
一本关于基于人类反馈的强化学习（RLHF）与大模型后训练的书的网页版，纸质版于 2026 年 7 月首次出版。页面主要记录网页版与纸质版之间的差异，包括带勾标记表示已纳入 2026 年 10 月第一次重印的网页勘误。内容增补涉及：在第 3 章扩展标准训练配方并加入 MOPD 与智能体后训练示例和新流程图；第 16 章新增智能体评估小节；第 5 章澄清结果奖励模型的历史并重组奖励建模章节；第 6 章整理 RL 符号（轨迹采样分布与时间下标）；第 12 章扩展在线策略蒸馏内容并更名为“合成数据与蒸馏”；以及正则化章节的次序调整。作者提到考虑几年后推出改名为“后训练书”的第二版。
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。
一本以中文为主、采用 Apache 2.0 许可证在 GitHub 上开源并持续更新的 AI Agent 技术书，可下载中文 PDF 与 EPUB，并提供英文、西班牙文、日文等多语种（含社区翻译）阅读入口。全书以“Agent = LLM + 上下文 + 工具”为主线，共 10 章：Agent 基础知识与 Harness 工程、上下文工程（含 KV Cache 友好的上下文设计）、用户记忆与知识库（RAG）、工具（含 MCP 与 Skill Hub）、Coding Agent 与通用 Agent、观察与动作空间扩展（异步事件驱动、语音）、Agent 评估（含 τ²-bench 案例与评估指标）、模型后训练、Agent 持续进化、多 Agent 协作，另附后记与思考题参考答案。适合想系统了解 Agent 设计原理与工程实践的开发者阅读。
这是斯坦福 CME295 课程的 2026 年秋季教学大纲页，按日期列出了各次讲座主题并附幻灯片和视频链接。内容依次包括 Transformer（分词、词嵌入、word2vec/RNN/LSTM、注意力机制与架构）、大语言模型（模型家族、混合专家、MHA/MQA/GQA、RoPE 位置嵌入、上下文长度与采样策略）、LLM 训练（预训练、SFT、LoRA、RLHF/DPO、推理、同策略蒸馏）、基于强化学习的 LLM 训练（奖励设计、策略梯度、PPO、GRPO）、LLM 系统（分布式训练、KV 缓存、投机解码、Flash Attention），以及 AI 智能体（工具调用、MCP、记忆与检索、上下文压缩、编码智能体等）；10 月 23 日为期中考试。适合想了解 Transformer 与 LLM 技术栈课程结构的人阅读。
斯坦福大学 CS329A“Self-Improving AI Agents”2025 年秋季课程主页，教师为 Aakanksha Chowdhery 和 Azalia Mirhoseini。课程介绍称其涵盖智能体通过与自身及环境交互持续自我提升的技术，包括宪法式 AI、使用验证器、测试时计算扩展、搜索与 LLM 结合、基于 RL 的训练时扩展，以及工具使用、代码、记忆增强、多模态能力编排、多步推理与规划、鲁棒评估框架等；课程以阅读最新论文、课堂讨论和原创研究项目为主，并邀请学界与业界讲者分享编码智能体、STEM 研究助手、机器人自主系统等应用。课程时间为周一、周五 16:30–17:50（太平洋时间），地点 Skilling Auditorium。
斯坦福大学 CS329Z“Engineering AI Agents”2026 年秋季课程主页，授课教师包括 Diyi Yang、Michael Ryan、John Yang 等。课程围绕从单体语言模型转向由 LLM、检索器、工具和优化器等多个组件构成的复合 AI 系统，讲授如何选择问题、拆解问题、选择组件、收集与整理数据、构建评估以及权衡设计取舍；学生先从零实现 RAG、工具调用、智能体循环等核心组件，再学习 DSPy 等框架的抽象，并通过两次作业和一个整季项目实践构建、优化与评估智能体系统。课程周一、周三 13:30–14:50 在 Skilling Auditorium 上课。
斯坦福大学 2026 年春季 CS221 人工智能原理与技术课程主页，授课教师包括 Moses Charikar，上课时间为周一、周三 10:30–12:00（Hewlett 200），周五 10:30–11:20 设习题课。页面说明课程组织方式：全部内容拆分为包含幻灯片、录像和讲义的小模块；课程讲授以更慢、更互动的形式覆盖主要模块，所有课程均有录像；另有习题课、作业互助小组、一对一答疑（分作业答疑与内容答疑两类）等活动及其时间地点安排。页面还提供课程日历、模块、课程作业、日程等导航链接及往期课程链接，并说明一般问题使用 Ed 提问、私人事务通过邮件联系。
这是犹他大学数据挖掘课程（课程编号 CS 5140/6140、DS 4140）2026 年秋季的课程主页，授课教师为 Jeff Phillips，并列出三名助教的答疑时间。课程在周二、周四 10:45–12:05 于 GC 1900 上课，讲座会发布并归档在 YouTube 上。页面提供教学大纲、项目、学习成果、参考书目、视频和先修要求等链接，并给出逐次课的日程表，主题包括统计现象、相似度（语言嵌入、度量距离、HNSW 近似最近邻、Jaccard 与 Min-Hashing、LSH）、层次聚类与 K-Means 等，每讲标注了对应阅读材料和项目节点。适合想了解数据挖掘课程主题与资料安排的人阅读。
Stanford CS246：Mining Massive Data Sets
斯坦福大学 CS246 课程主页，介绍课程将讨论用于分析超大规模数据的数据挖掘与机器学习算法。页面列出周二、周四 15:00–16:20 在 NVIDIA Auditorium 线下授课、注册学生在 Canvas 观看讲座视频、可参考往期 Coursera MOOC、公开讲义与作业、Ed 答疑与课程邮箱、无障碍便利申请流程，以及教师 Jure Leskovec、客座联合教师 Charilaos Kanatsoulis 和助教名单，并附课程介绍讲义链接。适合想了解大规模数据挖掘课程公开材料的人查阅。
斯坦福大学 CS224W 课程主页，2026 年秋季开设，讲授图机器学习。页面列出课程安排（周二、周四 15:00–16:20，NVIDIA Auditorium 线下授课）、面向注册学生的 Canvas 讲座视频、随课程进度公开的讲义与作业、答疑平台 Ed、无障碍便利申请流程与旁听申请表格，并介绍授课教师 Jure Leskovec、客座教师 Charilaos Kanatsoulis 及助教团队。材料显示非正式注册者可使用公开资源但不获评分。适合想自学图机器学习、跟进斯坦福课程公开材料的人查阅。
加州大学伯克利分校 Data 102《Data, Inference, and Decisions》2025 年秋季课程网站，页面注明内容已于 2026 年 3 月归档，仅供查阅。页面列出两位授课教师 Nivasini Ananthakrishnan 与 Ramesh Sridharan 的简介，以及按周组织的课程安排，包括讲座、实验、讨论课、Vitamin 小测和作业，主题覆盖二元决策、p 值与假设检验、多重假设检验与错误发现率控制、频率派与贝叶斯决策、贝叶斯建模与层次模型等。适合想学习数据推断与决策统计方法的人参考。