学习扩散、流匹配和图像生成编辑，适合生成模型研究者与图像创作者。
11 条精选 · 按推荐学习顺序：越基础、直观越靠前，越系统、深入越靠后
多伦多大学 2025 年冬季 CSC412/2506 概率机器学习课程主页，授课教师为 Denys Linkov，并列出助教名单。课程介绍指数族、有向图模型、马尔可夫随机场、精确推断、消息传递、采样与 MCMC、隐马尔可夫模型、变分推断、神经网络、嵌入、注意力、稀疏自编码器、专家混合（MoE）、约束解码、投机解码、变分自编码器和扩散模型等主题，并给出基于概率构建模块的建模与优化方法概览。页面还列出作业 A1–A4 与练习期末的发布时间和截止时间，以及助教答疑时间与开课日期。
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。
这是斯坦福 EE364B（与 CME364b 等同，最初由 Stephen Boyd 开设）2026 年春季课程主页，主讲为 Mert Pilanci。公告称首次课在周一 30 日 1:30–2:50 于 CODA B90 进行，讲座录像提供给已注册学生。课程描述说明它是 364A 的延续，内容涵盖次梯度、割平面与椭球法，基于原始-对偶分解的分布式凸优化，单调算子与近端方法、ADMM，利用问题结构的实现，困难问题的凸松弛，分支定界全局优化，鲁棒与随机优化，非凸启发式，以及神经网络、扩散模型和蒙特卡洛采样的凸表述，并应用于控制、电路设计、信号处理、机器学习和通信等领域，以最终项目收尾；先修课为 EE364a。适合已学过凸优化基础、想了解进阶凸优化内容的人阅读。