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。
斯坦福大学 2026 年冬季 CS129 应用机器学习课程主页，授课教师为 Andrew Ng 和 Younes Bensouda Mourri。课程强调实践技能，覆盖逻辑回归、线性回归、神经网络/深度学习、决策树等监督学习算法，k-means 等无监督算法，Q-learning 等强化学习算法，以及异常检测和推荐系统等应用。先修要求为 CS106B/106X 水平编程、CS109 或 STATS116 水平概率论、MATH51 水平线性代数。课程采用翻转课堂形式，课前观看视频并完成编程作业和在线测验，课堂深入讲解数学并讨论算法应用，最终以开放式期末项目收尾。
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。
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。
MemTensor/MemT-1.0
MemT-1.0 的官方仓库，项目自述为新一代记忆基础模型，把持久且可动态演化的记忆作为模型计算的内在部分。它整合动态局部记忆与可训练的超记忆（hyper memory），在推理时不访问原始上下文即可利用历史信息；持久状态大小恒定，据称在 128K 历史下比完整上下文 KV 缓存节省约 66 倍存储。仓库提供 HuggingFace 模型集合与技术报告链接，并附中文版说明。
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。
这是 vLLM 项目的 GitHub 仓库，一个面向大语言模型的高吞吐、高内存效率推理与服务引擎，标语为“Easy, fast, and cheap LLM serving for everyone”。仓库话题标签涵盖 CUDA、AMD、TPU、MoE、PyTorch、OpenAI 以及 Llama、Qwen、DeepSeek 等模型，README 提供文档、博客、论文、Twitter/X、用户论坛和开发者 Slack 入口及官方网站 vllm.ai。
这是 ComfyUI 的 GitHub 仓库，定位为带有图/节点界面的模块化扩散模型 GUI、API 与后端，README 称其为面向内容创作的最强模块化 AI 引擎和本地推理引擎。仓库话题标签包括 ai、comfy、python、pytorch、stable-diffusion，并提供官网 comfy.org、Discord、Twitter、Matrix 及发布版本、下载量等徽章链接。
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。
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。
Visual Information Theory
这是 colah 博客 2015 年 10 月的一篇文章，尝试用可视化方式讲解信息论的核心概念，如不确定性有多大、知道一个问题的答案能在多大程度上说明另一个问题的答案等，并提到这些概念在数据压缩、量子物理和机器学习等领域的应用。文章开篇先介绍如何用图示表示简单概率分布，作为后续内容的基础。适合对信息论概念感兴趣、希望借助图示理解抽象定义的读者。
斯坦福大学 2026 年冬季 CS224N《Natural Language Processing with Deep Learning》课程网站，授课教师为 Diyi Yang 与 Yejin Choi，并列出课程管理人员和助教名单。课程介绍称近年深度学习方法在许多 NLP 任务上取得很高表现，学生将获得对前沿 NLP 神经网络的系统入门。讲座为太平洋时间周二、周四 16:30–17:50，在 NVIDIA Auditorium 举行并通过 Canvas 上的 Panopto 直播；选修学生的录播需登录 Canvas，非选修者无法观看，但 2024 年版完整课程视频在 YouTube 免费公开。