年终推荐：李宏毅《机器学习》40讲真香

提起李宏毅老师，熟悉机器学习的读者朋友一定不会陌生。最典型的就是开局一言不合就“宝可梦”。李宏毅老师幽默风趣的教学风格也吸引力很多机器学习爱好者。

李宏毅老师，是宝岛台湾大学电机工程系教授，他分别于2010年和2012年获得硕士和博士学位，主要研究机器学习尤其是深度学习、语言理解和语音识别。李宏毅老师的机器学习课程可以说是最具代表性的中文公开课之一，已经成为大量国内初学者的首选。

截至目前，2021年版的机器学习40节课程已经全部更新完毕，全程中文讲解，覆盖的内容也非常丰富，视频均长约40分钟，内容较多，喜欢的小伙伴先收藏、关注，慢慢学习！

今年李宏毅老师的课程视频会与时俱进，课程新增 Transformer、流模型和对抗攻击等新内容。去年的课程则对BERT、XLNet 等语言模型做了很多介绍。

李教授的课幽默风趣、重点突出、基础知识和最新技术一应俱全，PPT 也做得简洁易懂，非常用心，还有课后作业，记得用心完成哦！

李老师说了面向所有人，而且完全可以在家自学。在 B 站上视频已被“机器学习社区”整理为合集，可以方便观看。

视频链接：
2021年李宏毅老师机器学习

视频课程目录

• 1、预测本频道观看人数(上)-机器学习基本概念简介
• 2、预测本频道观看人数(下)-深度学习基本概念简介
• 3、机器学习任务攻略
• 4、类神经网络训练不起来怎么办(一)：局部最小值(local minima)与鞍点(saddle point)
• 5、类神经网络训练不起来怎么办(二)：批次(batch)与动量(momentum)
• 6、类神经网络训练不起来怎么办(三)：自动调整学习率(learning rate)
• 7、类神经网络训练不起来怎么办(四)：损失函数(loss)也可能有影响
• 8、类神经网络训练不起来怎么办(五)：批次标准化(batch normalization)简介
• 9、卷积神经网络(Convolutional Neural Networks，即CNN)
• 10、注意力机制(self-attention)(上)
• 11、注意力机制(self-attention)(下)
• 12、Transformer(上)
• 13、Transformer(下)
• 14、生成对抗网络(Generative Adversarial Network，即GAN)(一) – 基本概念介绍
• 15、生成对抗网络(Generative Adversarial Network，即GAN)(二) – 理论介绍与WGAN
• 16、生成对抗网络(Generative Adversarial Network，即GAN)(三) – 生成器效能评估与条件式生成
• 17、生成对抗网络(Generative Adversarial Network，即GAN)(四) – Cycle GAN
• 18、自监督式学习(Self-supervised Learning) (一) – 芝麻街与进击的巨人
• 19、自监督式学习(Self-supervised Learning) (二) – BERT简介
• 20、自监督式学习(Self-supervised Learning) (三) – BERT的奇闻异事
• 21、自监督式学习(Self-supervised Learning) (四) – GPT的野望
• 22、自编码器(Auto encoder)(上) - 基本概念
• 23、自编码器(Auto encoder)(下) - 领结变声器与更多应用
• 24、来自人类的恶意攻击(Adversarial Attack) (上) – 基本概念
• 25、来自人类的恶意攻击(Adversarial Attack) (下) – 类神经网络能否躲过人类深不见底的恶意?
• 26、机器学习模型的可解释性(Explainable ML) (上) - 为什么神经网络可以正确分辨宝可梦和数码宝贝呢？
• 27、机器学习模型的可解释性(Explainable ML) (下) - 机器心中的猫长什么样子？
• 28、概述领域自适应(Domain Adaptation)
• 29、概述增强式学习(Reinforcement Learning, RL) (一) – 增强式学习跟机器学习一样都是三个步骤
• 30、概述增强式学习(Reinforcement Learning, RL) (二) – Policy Gradient与修课心情
• 31、概述增强式学习(Reinforcement Learning, RL) (三) – Actor-Critic
• 32、概述增强式学习(Reinforcement Learning, RL) (四) – 回馈非常罕见的时候怎么办？机器的望梅止渴
• 33、概述增强式学习(Reinforcement Learning, RL) (五) – 如何从示范中学习?逆向增强式学习
• 34、机器终身学习(Life Long Learning, LL) (一) - 为什么今日的人工智能无法成为天网?灾难性遗忘(Catastrophic Forgetting)
• 35、机器终身学习(Life Long Learning, LL) (二) - 灾难性遗忘(Catastrophic Forgetting)的克服之道
• 36、神经网络压缩(Network Compression) (一) - 类神经网络剪枝(Pruning)与大乐透假说(Lottery Ticket Hypothesis)
• 37、神经网络压缩(Network Compression) (二) - 从各种不同的面向来压缩神经网络
• 38、元学习Meta Learning (一) - 元学习跟机器学习一样也是三个步骤
• 39、元学习Meta Learning (二) - 万物皆可Meta
• 40、课程结语 - 最后的作业并改编《为学一首示子侄》作结

课程作业

• 1、你应该自己完成作业。
• 2、您不应手动修改您的预测文件。
• 3、不要与任何生物共享代码或预测文件。
• 4、不要使用任何方法每天提交超过 5 次的结果。
• 5、不要搜索或使用额外的数据或预先训练的模型。
• 6、如果您违反上述任何规则，您的最终成绩将受到 10% 的处罚。
• 7、Lee教授和助教保留更改规则和等级的权利。

作业内容

技术交流

欢迎转载、收藏本文，码字不易，有所收获点赞支持一下！

为方便进行学习交流，本号开通了技术交流群，添加方式如下：

直接添加小助手微信号：dkl88191，备注：CSDN+机器学习，或者按照如下方式(发送至微信，识别即可)添加均可！

标签：讲真香,机器,李宏毅,Adversarial,40,学习,神经网络,Learning
来源： https://blog.csdn.net/qq_34160248/article/details/122151653