课程介绍
MIT 6.S191 是全球顶校麻省理工开设的深度学习方向的入门课程。课程讲解了深度学习算法的基础知识，并帮助学生使用 TensorFlow 构建神经网络。课程覆盖了计算机视觉、自然语言处理、生物学等诸多方向和领域，帮助初入门深度学习的同学，构建良好全面的基础知识体系。
MIT 6.S191 课程内容覆盖深度学习经典模型（深度神经网络、卷积神经网络、循环神经网络、强化学习），也体现了研究界和工业界的关注点。课程包含多个实践项目，可以有效培养学生的动手能力。
课程学习的必要前置知识包括微积分和线性代数；具备 Python 编程经验会提升学习效率，但不是必要的。
课程讲师 Alexander Amini，MIT 博士后助理，Themis AI 的联合创始人兼首席科学官，研究领域是开发自治的科学和工程及其在自主代理人的安全决策中的应用。
课程讲师 Ava Soleimany，微软研究院的高级研究员，博士毕业于哈佛大学生物物理学专业。
课程主题
我们本次课程聚合了2018-2021四年度的课程，以2021年版本的课程为例，课程官网发布了课程主题，ShowMeAI 对其进行了翻译：
- Intro to Deep Learning（深度学习导论）
- Deep Sequence Modeling（循环神经网络）
- Deep Computer Vision（卷积神经网络）
- Deep Generative Modeling（深度生成建模）
- Deep Reinforcement Learning（强化学习）
- Limitations and New Frontiers（深度学习前沿知识）
- Evidential Deep Learning（证据性深度学习和不确定性）
- Bias and Fairness（人工智能偏见和公平）
- Learning for Information Extraction（用于信息抽取的深度 CPCFG）
- Taming Dataset Bias（通过域适应处理数据集偏差问题）
- Towards AI for 3D Content Creation（面向 3D 内容构建的 AI）
- AI in Healthcare（医疗保健中的人工智能）
课程资料 | 下载
 |
扫描上方图片二维码，关注公众号并回复关键字 🎯『6.S191』，就可以获取整理完整的资料合辑啦！当然也可以点击 🎯 这里 查看更多课程的资料获取方式！
ShowMeAI 对课程资料进行了梳理，整理成这份完备且清晰的资料包：
- 📚 课件。PDF文件，2021年版本。覆盖Lecture 1-8（说明：官方未发布L9~L12课件）。
- 📚 代码。.ipynb文件等。覆盖 Lab 1~3 的数据和代码。
课程视频 | B站
ShowMeAI 将视频上传至B站，并增加了中英双语字幕，以提供更加友好的学习体验。点击页面视频，可以进行预览。推荐前往 👆 B站 观看完整课程视频哦！
本门课程，ShowMeAI 将部分章节进行了切分，按照主题形成更短小的视频片段，便于按照标题进行更快速的检索。切分后的视频清单列写在这里：
| 课时编号 | 课时内容 |
|---|---|
| 2021年第1讲 | 深度学习导论 |
| 2021年第2讲 | 循环神经网络 |
| 2021年第3讲 | 卷积神经网络 |
| 2021年第4讲 | 深度生成建模 |
| 2021年第5讲 | 强化学习 |
| 2021年第6讲 | 深度学习前沿知识 |
| 2021年第7讲 | 证据性深度学习和不确定性 |
| 2021年第8讲 | 人工智能偏见和公平 |
| 2021年第9讲 | 用于信息抽取的深度 CPCFG |
| 2021年第10讲 | 通过域适应处理数据集偏差问题 |
| 2021年第11讲 | 面向 3D 内容构建的 AI |
| 2021年第12讲 | 医疗保健中的人工智能 |
| 2020年第0讲 | 深度学习简介 |
| 2020年第1讲 | 深度学习简介 |
| 2020年第2讲 | 循环神经网络 |
| 2020年第3讲 | 卷积神经网络 |
| 2020年第4讲 | 深度生成建模 |
| 2020年第5讲 | 强化学习 |
| 2020年第6讲 | 深度学习新前沿 |
| 2020年第7讲 | 神经符号人工智能 |
| 2020年第8讲 | 机器人操作的通用自主性 |
| 2020年第9讲 | 神经渲染 |
| 2020年第10讲 | 嗅觉领域的机器学习 |
| 2019年第1讲 | 深度学习简介 |
| 2019年第2讲 | 循环神经网络 |
| 2019年第3讲 | 卷积神经网络 |
| 2019年第4讲 | 深度生成建模 |
| 2019年第5讲 | 深度强化学习 |
| 2019年第6讲 | 深度学习的局限性和新前沿 |
| 2019年第7讲 | 机器学习可视化 (Google Brain) |
| 2019年第8讲 | 受生物启发的神经网络 (IBM) |
| 2019年第9讲 | 图像域迁移学习 (NVIDIA) |
| 2018年第1讲 | 深度学习简介 |
| 2018年第2讲 | 使用神经网络进行序列建模 |
| 2018年第3讲 | 卷积神经网络 |
| 2018年第4讲 | 深度生成建模 |
| 2018年第5讲 | 深度强化学习 |
| 2018年第6讲 | 深度学习的局限性和新前沿 |
| 2018年第7讲 | 图像分类问题 |
| 2018年第8讲 | 使用 TensorFlow 加速机器学习开发 |
| 2018年第9讲 | 深度学习——个人观点 |
| 2018年第10讲 | 深度学习之外：学习+推理 |
| 2018年第11讲 | 当计算机视觉遇上社交网络 |
更多技术与课程清单 | 点击查看详细课程
