【英文原声｜中英字幕】MIT 如何用 AI 做任何事情 How to AI (Almost) Anything, Spring 2025

Lecture 1: Overview, Tokenization（2026-10-18 重制版）

Lecture 2: PyTorch(einops)（2026-10-18 重制版）

Lecture 3: Architectures（2026-10-18 重制版）

Lecture 4: Attention Alternatives（2026-10-18 重制版）

Lecture 5: GPUs, TPUs （2026-10-18 重制版）

Lecture 6: Kernels, Triton, XLA （2026-10-18 重制版）

Lecture 7: Parallelism （2026-10-18 重制版）

Lecture 8: Parallelism （2026-10-18 重制版）

Lecture 9: Scaling Laws （2026-10-18 重制版）

Lecture 10: Inference（2026-10-18 重制版）

Lecture 11: Scaling Laws（2026-10-18 重制版）

Lecture 12: Evaluation（2026-10-18 重制版）

Lecture 13: Data (Sources, Datasets)（2026-10-18 重制版）

Lecture 14: Data（2026-10-18 重制版）

Lecture 15: Mid/Post-Training（2026-10-18 重制版）

Lecture 16: Post-Training - RLVR（2026-10-18 重制版）

Lecture 17: Alignment - Multimodality（2026-10-18 重制版）

Guest Lecture Dan Fu（2026-10-18 重制版）

Lecture 1: 课程概览与分词

Lecture 2: PyTorch(einops) 重制版

Lecture 3: Architectures 重制版

Lecture 4: Attention Alternatives 重制版

Lecture 5: GPUs, TPUs 重制版

Lecture 6: Kernels, Triton, XLA 重制版

Lecture 7: Parallelism 重制版

Lecture 8: Parallelism 重制版

Lecture 9: Scaling Laws 重制版

Lecture 10: Inference 重制版

Lecture 11: Scaling Laws 重制版

Lecture 12: Evaluation 重制版

Lecture 13: Data (Sources, Datasets) 重制版

Lecture 14: Data 重制版

Lecture 15: Mid/Post-Training 重制版

Lecture 16: Post-Training - RLVR 重制版

Lecture 17: Alignment - Multimodality 重制版

Lecture 18: Guest Lecture Dan Fu 重制版

Guest Lecture: Dan Fu

Lecture 2: PyTorch (einops)

Lecture 3: Architectures

Lecture 4: Attention Alternatives

Lecture 5: GPUs, TPUs

Lecture 6: Kernels, Triton, XLA

Lecture 7: Parallelism

Lecture 8: Parallelism

Lecture 9: Scaling Laws

Lecture 10: Inference

Lecture 11: Scaling Laws

Lecture 12: Evaluation

Lecture 13: Data (Sources, Datasets)

Lecture 14： Data

Lecture 15: Mid/Post-Training

Lecture 16: Post-Training - RLVR

Lecture 17： Alignment - Multimodality

Lecture 1 – Course Introduction（重制版）

Lecture 1.2 – Introduction to AI Research（重制版）

Lecture 2 – Data, Structure, Information（重制版）

Lecture 2.1 – Practical AI Tools（重制版）

Lecture 3 – Common Model Architectures（重制版）

Lecture 4 – Multimodal Alignment（重制版）

Lecture 5 – Multimodal Fusion（重制版）

Lecture 6 – Cross-modal Learning（重制版）

Lecture 7 – Large Foundation Models（重制版）

Lecture 8 – Large Multimodal Models（重制版）

Lecture 10 – Reinforcement Learning & Interaction（重制版）

Lecture 11 – Human-AI Interaction（重制版）

Lecture 1 – Course Introduction

Lecture 1.2 – Introduction to AI Research

Lecture 2 – Data, Structure, Information

Lecture 2.1 – Practical AI Tools

Lecture 3 – Common Model Architectures

Lecture 4 – Multimodal Alignment

Lecture 5 – Multimodal Fusion

Lecture 6 – Cross-modal Learning

Lecture 7 – Large Foundation Models

Lecture 8 – Large Multimodal Models

Lecture 10 – Reinforcement Learning & Interaction

Lecture 11 – Human-AI Interaction

01-introduction（重制版）

02-what-is-a-coding-assistant（重制版）

03-claude-code-in-action（重制版）

04-adding-context（重制版）

05-making-changes（重制版）

06-controlling-context（重制版）

07-custom-commands（重制版）

08-mcp-servers-with-claude-code（重制版）

09-github-integration（重制版）

10-introducing-hooks（重制版）

11-defining-hooks（重制版）

12-implementing-a-hook（重制版）

13-useful-hooks（重制版）

14-the-claude-code-sdk（重制版）

15-summary-and-next-steps（重制版）

01-introduction

02-what-is-a-coding-assistant

03-claude-code-in-action

04-adding-context

05-making-changes

06-controlling-context

07-custom-commands

08-mcp-servers-with-claude-code

09-github-integration

10-introducing-hooks

11-defining-hooks

12-implementing-a-hook

13-useful-hooks

14-the-claude-code-sdk

15-summary-and-next-steps

第1讲：课程导论（重制）

第2讲：图像分类与线性分类器（重制）

第3讲：正则化与优化（重制）

第4讲：神经网络与反向传播（重制）

第5讲：卷积神经网络图像分类（重制）

第6讲：CNN 经典架构（重制）

第7讲：循环神经网络 RNN（重制）

第8讲：注意力机制与 Transformer（重制）

第9讲：目标检测、图像分割与可视化（重制）

第11讲：大规模分布式训练（重制）

第12讲：自监督学习（重制）

第13讲：生成模型（上）（重制）

第14讲：生成模型（下）（重制）

第15讲：三维视觉（重制）

第16讲：视觉与语言（重制）

第17讲：机器人学习（重制）

第18讲：以人为本的 AI（重制）

第1讲：课程导论

第2讲：图像分类与线性分类器

第3讲：正则化与优化

第4讲：神经网络与反向传播

第5讲：卷积神经网络图像分类

第6讲：CNN 经典架构

第7讲：循环神经网络 RNN

第8讲：注意力机制与 Transformer

第9讲：目标检测、图像分割与可视化

第10讲：视频理解

第11讲：大规模分布式训练

第12讲：自监督学习

第13讲：生成模型（上）

第14讲：生成模型（下）

第15讲：三维视觉

第16讲：视觉与语言

第17讲：机器人学习

第18讲：以人为本的 AI

Lecture 1 - Intro and Word Vectors（重制版）

Lecture 2 - Word Vectors and Language Models（重制版）

Lecture 3 - Backpropagation, Neural Network（重制版）

Lecture 4 - Dependency Parsing（重制版）

Lecture 5 - Recurrent Neural Networks（重制版）

Lecture 6 - Sequence to Sequence Models（重制版）

Lecture 7 - Attention, Final Projects and LLM Intro（重制版）

Lecture 8 - Self-Attention and Transformers（重制版）

Lecture 9 - Pretraining（重制版）

Lecture 10 - Post-training by Archit Sharma（重制版）

Lecture 11 - Natural Language Generation（重制版）

Lecture 11 - Benchmarking by Yann Dubois（重制版）

Lecture 12 - Efficient Training, Shikhar Murty（重制版）

Lecture 13 - Brain-Computer Interfaces, Chaofei Fan（重制版）

Lecture 14 - Reasoning and Agents by Shikhar Murty（重制版）

Lecture 15 - After DPO by Nathan Lambert（重制版）

Lecture 16 - ConvNets and TreeRNNs（重制版）

Lecture 16 - Multimodal Deep Learning, Douwe Kiela（重制版）

Lecture 18 - NLP, Linguistics, Philosophy（重制版）

Lec. 19 - Model Interpretability & Editing, Been Kim（重制版）

Python Tutorial, Manasi Sharma（重制版）

PyTorch Tutorial, Drew Kaul（重制版）

Hugging Face Tutorial, Eric Frankel（重制版）

Lecture 1 - Intro and Word Vectors

Lecture 2 - Word Vectors and Language Models

Lecture 3 - Backpropagation, Neural Network

Lecture 4 - Dependency Parsing

Lecture 5 - Recurrent Neural Networks

Lecture 6 - Sequence to Sequence Models

Lecture 7 - Attention, Final Projects and LLM Intro

Lecture 8 - Self-Attention and Transformers

Lecture 9 - Pretraining

Lecture 10 - Post-training by Archit Sharma

Lecture 11 - Natural Language Generation

Lecture 11 - Benchmarking by Yann Dubois

Lecture 12 - Efficient Training, Shikhar Murty

Lecture 13 - Brain-Computer Interfaces, Chaofei Fan

Lecture 14 - Reasoning and Agents by Shikhar Murty

Lecture 15 - After DPO by Nathan Lambert

Lecture 16 - ConvNets and TreeRNNs

Lecture 16 - Multimodal Deep Learning, Douwe Kiela

Lecture 18 - NLP, Linguistics, Philosophy

Lec. 19 - Model Interpretability & Editing, Been Kim

Python Tutorial, Manasi Sharma

PyTorch Tutorial, Drew Kaul

Hugging Face Tutorial, Eric Frankel

斯特朗教授 18.065 课程介绍

吉尔伯特·斯特朗访谈：在数据分析中教授矩阵方法

第1讲：A的列空间包含所有向量Ax

第2讲：矩阵乘法与分解

第3讲：Q的标准正交列使 Q'Q = I

第4讲：特征值与特征向量

第5讲：正定与半正定矩阵

第6讲：奇异值分解（SVD）

第7讲：Eckart-Young：最接近A的秩k矩阵

第8讲：向量与矩阵的范数

第9讲：求解最小二乘问题的四种方法

第10讲：Ax = b 求解难点概览

第11讲：在Ax = b约束下最小化‖x‖

第12讲：特征值与奇异值的计算

第13讲：随机化矩阵乘法

第14讲：A及其逆的低秩变动

第15讲：依赖于t的矩阵A(t)，导数 = dA/dt

第16讲：逆矩阵与奇异值的导数

第17讲：快速递减的奇异值

第18讲：SVD、LU、QR中的参数计数与鞍点

第19讲：鞍点续论，极大极小原理

第20讲：定义与不等式

第21讲：逐步最小化函数

第22讲：梯度下降：下山至最小值

第23讲：加速梯度下降（使用动量）

第24讲：线性规划与二人博弈

第25讲：随机梯度下降

第26讲：深度学习神经网络的结构

第27讲：反向传播：求偏导数

第30讲：补全秩一矩阵，循环矩阵！

第31讲：循环矩阵的特征向量：傅里叶矩阵

第32讲：ImageNet是一个卷积神经网络，卷积规则

第33讲：神经网络与学习函数

第34讲：距离矩阵，Procrustes问题

第35讲：在图中寻找聚类

第36讲：Alan Edelman与Julia语言

第1讲：课程介绍

第2讲：模仿学习

第3讲：策略梯度

第4讲：演员-评论家方法

第5讲：异策略演员-评论家

第6讲：Q学习

第7讲：离线强化学习

第8讲：奖励学习

第9讲：用于大语言模型的强化学习

第10讲：用于大语言模型推理的强化学习

第11讲：基于模型的强化学习

第12讲：多任务强化学习

第13讲：元强化学习

第14讲：探索

第15讲：分层强化学习与模仿学习

第16讲：机器人强化学习

第17讲：推进机器人智能

第18讲：前沿

辅导课：Q学习回顾

2026年春季 | 第1讲 - 扩散模型

2026年春季 | 第2讲 - 得分匹配

2026年春季 | 第3讲 - 流匹配

2026年春季 | 第4讲 - 潜空间与引导

2026年春季 | 第5讲 - 模型架构

2026年春季 | 第6讲 - 模型训练

2026年春季 | 第7讲 - 模型评估

2026年春季 | 第8讲 - 前沿话题

Transformer 概述

从表征学习到世界建模

状态空间模型与 Transformer 的权衡

超大规模讲座：将训练扩展至数千 GPU

从下一个词元预测到下一代智能

以协作式 AI 智能体推进科学与医学

从参数与上下文看泛化的不同模式

服务 Transformer：来自实战的经验教训

从语言模型到原生多模态智能

第1讲 强化学习导论（一）2024

第2讲 表格型MDP规划

第3讲 策略评估

第4讲 Q学习与函数逼近

第5讲 策略搜索（一）

第6讲 策略搜索（二）

第7讲 策略搜索（三）

第8讲 离线强化学习（一）

第9讲 特邀讲座：DPO - Rafael Rafailov, Archit Sharma, Eric Mitchell

第10讲 离线强化学习（三）

第11讲 探索（一）

第12讲 探索（二）

第13讲 探索（三）

第14讲 多智能体博弈

第15讲 Emma Brunskill 与 Dan Webber

第16讲 价值对齐

第1讲：扩散模型导论（1月5日）

第2讲：理解扩散的多种视角（1月7日）

第3讲：条件控制与引导（1月9日）

第4讲：模型蒸馏（1月12日）

第5讲：扩散模型的应用（1月15日）

第6讲：扩散模型的泛化能力（1月16日）

第1讲：课程概览与 AI 基础

第2讲：机器学习（一）

第3讲：机器学习（二）

第4讲：机器学习（三）

第5讲：搜索（一）

第6讲：搜索（二）

第7讲：马尔可夫决策过程

第8讲：强化学习

第9讲：策略梯度

第10讲：博弈（一）

第11讲：博弈（二）

第12讲：贝叶斯网络（一）

第13讲：贝叶斯网络与吉布斯采样

第14讲：贝叶斯网络与学习

第15讲：逻辑（一）

第16讲：逻辑（二）

第17讲：语言模型

第18讲：AI 与社会

第19讲：AI 供应链

第20讲：炉边对话与课程总结

规模、AGI 与万物的未来

前路：韧性不可或缺

交付每吉瓦价值的准则

AI 原生公司：创始人如何成为千倍工程师

NVIDIA 黄仁勋谈智能背后的算力

General Matter 的 Scott Nolan 谈能源瓶颈

a16z 的 Ben Horowitz 谈风投系统与网络效应

Skip 的 Nikhyl Singhal 谈 AI 时代的产品管理

Luma AI 的 Amit Jain 谈统一智能系统

Black Forest Labs 的 Andreas Blattmann 谈视觉智能

ElevenLabs 的 Mati Staniszewski 谈语音系统的未来

AMP PBC 的 Anjney Midha 谈前沿系统

麻省理工深度学习导论 | 6.S191

麻省理工 6.S191：循环神经网络、Transformer 与注意力机制

麻省理工 6.S191：卷积神经网络

麻省理工 6.S191：深度生成模型

麻省理工 6.S191：强化学习

麻省理工 6.S191：语言模型与新前沿

麻省理工 6.S191：人工智能三定律

麻省理工 6.S191：科学领域的人工智能

第1讲：导论（一）

第1讲：导论（二）

第1讲：导论（三）

第2讲：模仿学习（一）

第2讲：模仿学习（二）

第2讲：模仿学习（三）

第2讲：模仿学习（四）

第2讲：模仿学习（五）

第4讲（一）

第4讲（二）

第4讲（三）

第4讲（四）

第4讲（五）

第4讲（六）

第5讲（一）

第5讲（二）

第5讲（三）

第5讲（四）

第5讲（五）

第5讲（六）

第6讲（一）

第6讲（二）

第6讲（三）

第6讲（四）

第6讲（五）

第7讲（一）

第7讲（二）

第7讲（三）

第7讲（四）

第8讲（一）

第8讲（二）

第8讲（三）

第8讲（四）

第8讲（五）

第8讲（六）

第9讲（一）

第9讲（二）

第9讲（三）

第9讲（四）

第10讲（一）

第10讲（二）

第10讲（三）

第10讲（四）

第10讲（五）

第11讲（一）

第11讲（二）

第11讲（三）

第11讲（四）

第11讲（五）

第12讲（一）：基于模型的策略强化学习

第12讲（二）：基于模型的策略强化学习

第12讲（三）：基于模型的策略强化学习

第12讲（四）：基于模型的策略强化学习

第13讲（一）

第13讲（二）

第13讲（三）

第13讲（四）

第13讲（五）

第13讲（六）

第14讲（一）

第14讲（二）

第14讲（三）

第14讲（四）

第15讲（一）：离线强化学习

第15讲（二）：离线强化学习

第15讲（三）：离线强化学习

第16讲（一）：离线强化学习 2

第16讲（二）：离线强化学习 2

第16讲（三）：离线强化学习 2

第16讲（四）：离线强化学习 2

第17讲（一）：强化学习理论

第17讲（二）：强化学习理论

第18讲：变分推断（一）

第18讲：变分推断（二）

第18讲：变分推断（三）

第18讲：变分推断（四）

第19讲：控制即推断（一）

第19讲：控制即推断（二）

第19讲：控制即推断（三）

第19讲：控制即推断（四）

第19讲：控制即推断（五）

第20讲：逆向强化学习（一）

第20讲：逆向强化学习（二）

第20讲：逆向强化学习（三）

第20讲：逆向强化学习（四）

Eric Mitchell：基于人类反馈的强化学习：算法与

Andrea Zanette：迈向强化学习的统计基础

第21讲：序列模型与语言模型中的强化学习（一）

第21讲：序列模型与语言模型中的强化学习（二）

第21讲：序列模型与语言模型中的强化学习（三）

第22讲：迁移学习与元学习（一）

第22讲：迁移学习与元学习（二）

第22讲：迁移学习与元学习（三）

第22讲：迁移学习与元学习（四）

第22讲：迁移学习与元学习（五）

第23讲：挑战与开放问题（一）

第23讲：挑战与开放问题（二）

嘉宾讲座：Aviral Kumar

嘉宾讲座：Dorsa Sadigh

第1.1讲 课程介绍：组织安排

第1.2讲 课程介绍：导论

第1.3讲 课程介绍：计算机视觉简史

第2.1讲 图像形成：基元与变换

第2.2讲 图像形成：几何图像形成

第2.3讲 图像形成：光度图像形成

第2.4讲 图像形成：图像传感流水线

第3.1讲 运动恢复结构：预备知识

第3.2讲 运动恢复结构：双帧运动恢复结构

第3.3讲 运动恢复结构：因子分解法

第3.4讲 运动恢复结构：光束法平差

第4.1讲 立体重建：预备知识

第4.2讲 立体重建：块匹配

第4.3讲 立体重建：孪生网络

第4.4讲 立体重建：空间正则化

第4.5讲 立体重建：端到端学习

第5.1讲 概率图模型：结构化预测

第5.2讲 概率图模型：马尔可夫随机场

第5.3讲 概率图模型：因子图

第5.4讲 概率图模型：信念传播

第5.5讲 概率图模型：示例

第6.1讲 图模型应用：立体重建

第6.2讲 图模型应用：多视图重建

第6.3讲 图模型应用：光流

第7.1讲 图模型学习：条件随机场

第7.2讲 图模型学习：参数估计

第7.3讲 图模型学习：深度结构化模型

第8.1讲 从X恢复形状：明暗恢复形状

第8.2讲 从X恢复形状：光度立体

第8.3讲 从X恢复形状：从X恢复形状

第8.4讲 从X恢复形状：体积融合

第9.1讲 坐标网络：隐式神经表示

第9.2讲 坐标网络：可微体积渲染

第9.3讲 坐标网络：神经辐射场

第9.4讲 坐标网络：生成式辐射场

第10.1讲 识别：图像分类

第10.2讲（识别：语义分割）

第10.3讲（识别：目标检测与分割）

第11.1讲（自监督学习：预备知识）

第11.2讲（自监督学习：任务特定模型）

第11.3讲（自监督学习：前置任务）

第11.4讲（自监督学习：对比学习）

第12.1讲（计算机视觉专题：输入优化）

第12.2讲（计算机视觉专题：组合性）

第12.3讲（计算机视觉专题：人体运动）

第12.4讲（计算机视觉专题：深度伪造）

第1讲：什么是多任务学习？｜2022｜第1讲

第3讲：迁移学习与元学习｜2022｜第3讲

第5讲：基于优化的元学习｜2022｜第5讲

第6讲：非参数小样本学习｜2022｜第6讲

第7讲：无监督预训练：对比学习｜2022｜第7讲

第8讲：面向小样本学习的无监督预训练｜2022｜第8讲

第10讲：高级元学习（二）：大规模元优化｜2022｜第10讲

第11讲：变分推断与生成模型｜2022｜第11讲

第12讲：贝叶斯元学习｜2022｜第12讲

第13讲：领域自适应｜2022｜第13讲

第14讲：领域泛化｜2022｜第14讲

终身学习｜2022｜第15讲

前沿与开放挑战｜2022｜第16讲

Percy Liang 客座讲座｜2022｜第17讲

第1讲 - 人工智能导论、理性智能体

第2讲 - 搜索：状态空间、无信息搜索

第3讲 - 搜索：有信息搜索、A*算法、启发式函数

第4讲 - 搜索：局部搜索

第5讲 - 博弈：博弈树、极小化极大算法、剪枝

第6讲 - 博弈：期望极大化极大算法、蒙特卡洛树搜索

第7讲 - 逻辑：命题逻辑与规划

第8讲 - 逻辑：逻辑推理、定理证明、布尔可满足性、DPLL算法

第9讲 - 逻辑：一阶逻辑

第10讲 - 概率论导论

第11讲 - 贝叶斯网络

第12讲 - 贝叶斯网络：推理

第13讲 - 贝叶斯网络：采样

第14讲 - 隐马尔可夫模型：马尔可夫链、隐马尔可夫模型

第15讲 - 隐马尔可夫模型：前向与维特比算法、动态贝叶斯网络、粒子滤波

第16讲 - 效用理论、理性、决策网络、信息价值

第17讲 - 马尔可夫决策过程：状态、值、策略、Q值

第18讲 - 马尔可夫决策过程：动态规划

第19讲 - 机器学习：机器学习（一）

第20讲 - 机器学习：机器学习（二）

第21讲 - 机器学习：机器学习（三）

第22讲 - 机器学习：神经网络

第23讲 - 强化学习：老虎机与推荐系统

第24讲 - 强化学习：强化学习（一）

第25讲 - 强化学习：强化学习（二）

第26讲 - 人工智能生存安全

第27讲 - 大语言模型

第2讲：数据工具

第3讲：机器学习机制：术语与技术

第4讲：聚类、概率论复习

第5讲：最大似然估计与多元高斯分布

第6讲：多元高斯分布与高斯混合模型

第7讲：高斯混合模型与线性回归

第8讲：线性回归

第9讲：线性回归与正则化

第10讲：正则化、分类

第11讲：分类

第12讲：逻辑回归、分类器准确率

第13讲：卷积、动量、Adam与随机梯度下降

第14讲：最大似然估计、最大后验估计与偏差-方差权衡

第15讲：使用梯度下降学习

第16讲：熵、信息与逻辑回归

第17讲：神经网络、为什么需要深度与通用近似定理

第18讲：神经网络、反向传播

第19讲：神经网络、反向传播（续）与卷积神经网络

第20讲：卷积神经网络（续）

第21讲：Transformer

第22讲：Transformer（续）

第23讲：大语言模型训练与应用

第24讲：自监督学习

第25讲：人工智能用于蛋白质工程

第27讲 大语言模型、智能体与环境

第1讲 - 引言

第2讲 - 背景知识

第3讲 - 自回归模型

第4讲 - 最大似然学习

第5讲 - 变分自编码器

第6讲 - 变分自编码器

第7讲 - 标准化流

第8讲 - 标准化流

第9讲 - 生成对抗网络

第10讲 - 生成对抗网络

第11讲 - 基于能量的模型

第12讲 - 基于能量的模型

第13讲 - 基于分数的模型

第14讲 - 基于能量的模型

第15讲 - 生成模型的评估

第16讲 - 基于分数的扩散模型

第17讲 - 离散潜变量模型

第18讲 - 离散数据的扩散模型

第1周（1月9日）

第2周（1月14日）

第2周（1月16日）

第3周（1月21日）

第3周（1月23日）

第4周（1月28日）

第4周（1月30日）

第5周（2月4日）

第6周（2月11日）

第6周（2月13日）

第7周（2月18日）

第8周（2月25日）

第8周（2月27日）

第9周（3月4日）

第10周（3月11日）

第10周（3月13日）

Let's build GPT: from scratch, in code, spelled out.

[1hr Talk] Intro to Large Language Models

Let's build the GPT Tokenizer

Let's reproduce GPT-2 (124M)

Deep Dive into LLMs like ChatGPT

How I use LLMs

第1讲

第2讲：现代大语言模型训练与安全训练

第3讲：鲁棒性

第4讲：模型规范

第5讲：政策合规性实验

第6讲：递归自我改进

第7讲：实验室与实地：Joel Becker 客座讲座

第8讲：策略行为

第8讲：实验：压力之下

第9讲：人工智能的经济影响

第10讲：机械可解释性

第11讲：心理健康与情感依恋

当地球死去（codex 片段）

第12讲：2035年的人工智能与GDPval

学生项目口头报告

第1讲 - 概率与生成建模基础

第2讲 - 去噪扩散模型 - 扩散与流匹配

第3讲 - Modal 嘉宾讲座 - 扩散与流匹配

第4讲 - 基于分数的模型 - 扩散与流匹配

第5讲 - 流匹配 - 扩散与流匹配

第6讲 - 设计空间与快速采样 - 扩散与流匹配

第7讲 - 引导与可控生成 - 扩散与流匹配

第9讲 - 文本到图像生成与前沿技术 - 扩散与流匹配

第10讲 - 蒸馏、一致性模型与流映射 - 扩散与流匹配

第11讲 - 嘉宾讲座：Luma AI 的 Linqi (Alex) Zhou - 扩散与流匹配

第12讲 - 离散扩散与掩码扩散 - 扩散与流匹配

第13讲 - 离散流匹配与编辑流 - 扩散与流匹配

第2讲，2026年4月2日

第3讲，2026年4月7日

第4讲，2026年4月9日

第5讲，2026年4月14日

第6讲，2026年4月16日

第7讲，2026年4月21日

第8讲，2026年4月23日

第9讲，2026年4月28日

第11讲，2026年5月5日

第13讲，2026年5月12日

第14讲，2026年5月14日

第15讲，2026年5月19日

第17讲，2026年5月26日

第19讲，2026年6月2日

第20讲，2026年6月4日

第1讲：引言

第2讲：无向图模型

第3讲：有向图模型

第4讲：精确推断

第5讲：参数估计

第6讲：案例研究：隐马尔可夫模型与条件随机场

第7讲：变分推断（一）

第8讲：变分推断（二）

第9讲：蒙特卡洛方法

第10讲：高级MCMC方法

第11讲：深度学习的统计与算法基础

第12讲：深度生成模型（一）

第13讲：深度生成模型（二）

第14讲：深度序列模型

第15讲：深度生成模型案例研究：文本生成

第16讲：结构学习

第17讲：因果推断（一）

第18讲：因果推断（二）

第19讲：作为推断的强化学习（一）

第20讲：作为推断的强化学习（二）

第21讲：高斯过程

第22讲：行列式点过程

第23讲：狄利克雷过程

第24讲：印度自助餐过程

第25讲：图模型谱学习

第26讲：大规模算法与系统

第27讲：元学习

第28讲：可信机器学习

第1讲

第3讲

第4讲

第5讲

第6讲

第7讲

第8讲

第9讲

第10讲

第11讲

第12讲

第13讲

第14讲

第15讲

第16讲

第17讲

第18讲

第19讲

第20讲

第1讲：课程介绍与事务安排

第2讲：机器学习回顾 / Softmax 回归

第3讲：（一）- “手动”神经网络

第3讲：（二）- “手动”神经网络

第4讲：自动微分

第5讲：自动微分实现

第6讲：全连接网络、优化与初始化

第7讲：神经网络抽象

第8讲：神经网络库实现

第9讲：归一化与正则化

第10讲：卷积网络

第11讲：硬件加速

第12讲：GPU 加速

第13讲：硬件加速实现

第14讲：实现卷积

第15讲：训练大型模型

第16讲：生成对抗网络

第17讲：生成对抗网络实现

第18讲：序列建模与循环网络

第19讲：RNN 实现

第20讲：Transformer 与注意力机制

第21讲：Transformer 实现

第23讲：模型部署

第24讲：机器学习编译与部署实现

第1讲：课程概览：自动微分与RNN语言模型

第2讲：Transformer语言模型

第3讲：大语言模型的学习

第4讲：现代Transformer：CNN与用于视觉的Transformer

第5讲：生成对抗网络与条件生成对抗网络

第6讲：广义对抗网络、GAN与变分推断

第7讲：扩散模型与变分推断

第8讲：扩散模型与变分推断

第9讲：变分自编码器

第10讲：上下文学习

第11讲：参数高效微调

第12讲：指令微调与基于人类反馈的强化学习

第13讲：隐空间扩散模型

第13.5讲 Prompt-to-Prompt（二）

第14讲：视觉语言模型（二）

第15讲：视觉语言模型（下）

第16讲：扩展（二）：混合专家模型

第17讲：扩展（三）：注意力机制

第18讲：分布式训练

第20讲：大语言模型中的长上下文（二）

第21讲：视频生成模型

第21讲：视频生成模型 板书

第22讲：传统流程讲座

第22讲：传统流程讲座 板书

第23讲：语音识别模型

第23讲：语音识别模型 板书

第24讲：CUDA编程

第24讲：CUDA编程 板书

第25讲

习题课 HW0

习题课 HW1

习题课 HW2

习题课3

习题课 HW4

第0讲

第1讲

第2讲

第3讲

第4讲

第5讲

第6讲

第7讲

第8讲

第9讲

深度神经网络：卷积神经网络 II

深度神经网络：卷积神经网络 III

深度神经网络：卷积神经网络 IV

循环神经网络

稳定性分析和LSTM

循环神经网络：第三部分

Sequence to Sequence Model: CTC

序列到序列模型建模 Modeling Sequence-to-Sequence models

Sequence to Sequence Model: 注意力模型

Transformer 和更新的架构 Transformer and Newer Architecture

大型语言模型 Large Language Models

神经网络：表征 Neural Networks - Representation

变分自编码器 Variational Autoencoders

扩散 Diffusion

生成对抗网络 Generative Adversarial Networks

图神经网络 Graph Neural Networks

强化学习 Reinforcement Learning

霍普菲尔德网络 Hopfield Networks

玻尔兹曼机

第1讲：- Transformer

第2讲：- 基于Transformer的模型与技巧

第3讲：- Transformer与大型语言模型

第4讲：- 大型语言模型的训练

第5讲：- 大型语言模型的调优

第6讲：- 大型语言模型的推理

第7讲：- 智能体式大型语言模型

第8讲：- 大型语言模型的评估

第9讲：- 回顾与当前趋势

第1讲：10-418 / 10-618 2019年秋季

第2讲：10-418 / 10-618 2019年秋季

第3讲：10-418 / 10-618 2019年秋季

第4讲：10-418 / 10-618 2019年秋季

第5讲：10-418 / 10-618 2019年秋季

第6讲：10-418 / 10-618 2019年秋季

第7讲：10-418 / 10-618 2019年秋季

第8讲：10-418 / 10-618 2019年秋季

第9讲：10-418 / 10-618 2019年秋季

第10讲：10-418 / 10-618 2019年秋季

第11讲：10-418 / 10-618 2019年秋季

第12讲：10-418 / 10-618 2019年秋季

第13讲：10-418 / 10-618 2019年秋季

第14讲：10-418 / 10-618 2019年秋季

第15讲：10-418 / 10-618 2019年秋季

第16讲：10-418 / 10-618 2019年秋季

第17讲：10-418 / 10-618 2019年秋季

第18讲：10-418 / 10-618 2019年秋季

第19讲：10-418 / 10-618 2019年秋季

第20讲：10-418 / 10-618 2019年秋季

第21讲：10-418 / 10-618 2019年秋季

第22讲：10-418 / 10-618 2019年秋季

第23讲：10-418 / 10-618 2019年秋季

第24讲：10-418 / 10-618 2019年秋季

第25讲：10-418 / 10-618 2019年秋季

第26讲：非参数贝叶斯 10-418 / 10-618 2019年秋季

第27讲：10-418 / 10-618 2019年秋季

第1.1讲 - 引言（CMU 多模态机器学习，2023年秋季）

第1.2讲 - 多模态研究任务（CMU 多模态机器学习，2023年秋季）

第2.1讲 - 单模态表示（一）（CMU 多模态机器学习，2023年秋季）

第2.2讲 - 单模态表示（二）（CMU 多模态机器学习，2023年秋季）

第3.1讲 - 多模态表示融合（CMU 多模态机器学习，2023年秋季）

第3.2讲 - 多模态协调与裂变（CMU 多模态机器学习，2023年秋季）

第4.1讲 - 多模态对齐（CMU 多模态机器学习，2023年秋季）

第4.2讲 - 对齐表示（CMU 多模态机器学习，2023年秋季）

第5.1讲 - 多模态 Transformer（一）（CMU 多模态机器学习，2023年秋季）

第5.2讲 - 结构化表示与推理（CMU 多模态机器学习，2023年秋季）

第6.1讲 - 多模态 Transformer（二）（CMU 多模态机器学习，2023年秋季）

第7.1讲 - 多模态交互（CMU 多模态机器学习，2023年秋季）

第7.2讲 - 多模态推理与知识（CMU 多模态机器学习，2023年秋季）

第9.1讲 - 多模态生成（CMU 多模态机器学习，2023年秋季）

第9.2讲 - 新型生成模型（CMU 多模态机器学习，2023年秋季）

第11.2讲 - 迁移（二）（CMU 多模态机器学习，2023年秋季）

第12.1讲 - 新研究方向（CMU 多模态机器学习，2023年秋季）

第1讲：课程介绍

第2讲：概率建模导论

第3讲：自回归模型

第4讲：最大似然学习

第5讲：潜变量模型

第6讲：学习潜变量模型

第7讲：归一化流

第8讲：高级流模型

第9讲：生成对抗网络

第10讲：GANs 高级专题

第11讲：基于能量的模型

第12讲：基于分数的生成模型

第13讲：扩散模型

第14讲：评估生成模型

第15讲：组合生成模型族

第16讲：离散深度生成模型

第17讲：概率推理

导论 - CS50 人工智能入门（基于 Python）2020

搜索 - 第0讲

知识 - 第1讲

不确定性 - 第2讲

优化 - 第3讲

学习 - 第4讲

神经网络 - 第5讲

语言 - 第6讲

第0讲：课程介绍

第1讲：深度神经网络计算

第2讲：机器学习硬件（一）：指标与屋顶线模型

第3讲：机器学习硬件（二）：效率

第4讲：机器学习硬件（三）：案例研究

第5讲：微架构

第6讲：微型机器学习

第7讲：量化

第8讲：剪枝

客座讲座：Cerebras Sean Lie

第9讲：知识蒸馏

第10讲：神经架构搜索

第11讲：核函数计算

第12讲：映射

客座讲座：TVM Thierry Moreau

第13讲：机器学习系统中的前处理与后处理

第14讲：分布式训练

第15讲：联邦学习

第16讲：环境与伦理系统议题

客座讲座：SemiAnalysis 的 Kimbo Chen

使用 LangGraph 的智能体 AI | 新播放列表 | LangGraph 教程

生成式 AI 与智能体 AI | 使用 LangGraph 的智能体 AI | 第1集 | CampusX

什么是智能体 AI？ | 使用 LangGraph 的智能体 AI | 第2集 | CampusX

LangChain 与 LangGraph | 使用 LangGraph 的智能体 AI | 第3集 | CampusX

LangGraph 核心概念 | 使用 LangGraph 的智能体 AI | 第4集 | CampusX

LangGraph 中的顺序工作流 | 使用 LangGraph 的智能体 AI | 第5集 | CampusX

LangGraph 中的并行工作流 | 使用 LangGraph 的智能体 AI | 第6集 | CampusX

LangGraph 中的条件工作流 | 使用 LangGraph 的智能体 AI | 第7集 | CampusX

LangGraph 中的迭代工作流 | 使用 LangGraph 的智能体 AI | 第8集 | CampusX

如何使用 LangGraph 构建聊天机器人

LangGraph 中的持久化 | LangGraph 中的时间旅行 | CampusX

使用 LangGraph 和 Streamlit 构建带界面的聊天机器人 | CampusX

LangGraph 中的流式传输 | CampusX

如何构建类似 ChatGPT 的简历对话功能？ | CampusX

LangGraph + SQLite | 集成数据库的聊天机器人 | CampusX

LangSmith 速成课 | LangSmith 初学者教程 | 生成式 AI 的可观测性

LangGraph 中的可观测性 | LangSmith 与 LangGraph 集成

LangGraph 中的工具 | 使用 LangGraph 的智能体 AI | CampusX

如何使用 LangGraph 构建 MCP 客户端

使用 LangGraph 实现 RAG

使用 LangGraph 实现人机协同（HITL）

如何在 LangGraph 中构建子图

大语言模型没有记忆——那它们如何记住？

如何使用 LangGraph 实现短期记忆

LangGraph 中的长期记忆

这个 AI 智能体使用 LangGraph 自动规划、研究并撰写博客

高级 RAG：纠正式 RAG（CRAG）如何解决传统 RAG 问题

Self-RAG 教程：如何让你的 AI 自我事实核查 | 高级 RAG

初学者生成式AI路线图 | 2025端到端GenAI课程 | CampusX

使用LangChain的生成式AI | 初学者GENAI | CampusX

LangChain简介 | 初学者LangChain | 视频1 | CampusX

LangChain组件 | 使用LangChain的GenAI | 视频2 | CampusX

LangChain模型 | 深入教程与代码演示 | 视频3 | CampusX

LangChain中的提示 | 使用LangChain的生成式AI | 视频4 | CampusX

LangChain中的结构化输出 | 使用LangChain的生成式AI | 视频5 | CampusX

LangChain中的输出解析器 | 使用LangChain的生成式AI | 视频6 | CampusX

LangChain中的链 | 使用LangChain的生成式AI | 视频7 | CampusX

什么是LangChain中的Runnables | 使用LangChain的生成式AI | 视频8 | CampusX

LangChain Runnables（二） | 使用LangChain的生成式AI | 视频9 | CampusX

LangChain中的文档加载器 | 使用LangChain的生成式AI | 视频10 | CampusX

LangChain中的文本分割器 | 使用LangChain的生成式AI | 视频11 | CampusX

LangChain向量存储 | 使用LangChain的生成式AI | 视频12 | CampusX

LangChain中的检索器 | 使用LangChain的生成式AI | 视频13 | CampusX

检索增强生成 | 什么是RAG | RAG如何工作 | RAG解释

使用LangChain构建YouTube聊天机器人 | 在LangChain中构建RAG系统 | 视频15

LangChain中的工具 | 使用LangChain的生成式AI | 视频16 | CampusX

LangChain中的工具调用 | 使用LangChain的生成式AI | 视频17 | CampusX

在 LangChain 中构建端到端 AI 智能体 | 使用 LangChain 的生成式 AI | 视频

Ollama 大师课 2026：使用 Ollama 运行强大的本地大语言模型（3小时完整课程）

面向流体力学的机器学习

面向流体动力学的机器学习：模式

面向流体动力学的机器学习：模型与控制

面向计算流体力学的机器学习

基于机器学习与优化的流体动力学稀疏非线性模型

非定常流体中的拉格朗日拟序结构与有限时间李雅普诺夫指数

什么是湍流？湍流流体动力学无处不在

湍流无处不在！湍流实例与典型流动

湍流：雷诺平均纳维-斯托克斯（一，质量连续性方程）

湍流：雷诺平均纳维-斯托克斯方程（二，动量方程）

湍流封闭模型：雷诺平均纳维-斯托克斯与大涡模拟

面向湍流封闭建模的深度学习

用机器学习增强计算流体力学

L1. 简介-Introduction

L2. 自回归模型-Autoregressive Models

L3. 流模型-Flow Models

L4. 潜变量模型与变分自编码器-Latent Variable Models and Variational AutoEncoders

L5. GANs

L6. 扩散模型-Diffusion Models

L7. 自监督学习-Self-Supervised Learning

L8. 大语言模型-Large Language Models (LLMs)

L9. 生成式视频-Generative Video

L10. 半监督学习与无监督分布对齐-Semisupervised Learning and Unsupervised Distribution Alignme

L12a. 多模态模型-Multimodal Models Instructor: Wilson Yan

L12b. 并行化-Parallelization Instructor: Wilson Yan

L13a. 科学领域的生成式建模-Generative Modeling for Science -- Guest Lecturer John Ingraham

L13b. 神经辐射场-Neural Radiance Fields -- Guest Lecturer Ben Mildenhall

智能体人工智能的安全性与安全防护｜Dawn Song

自主智能体：具身、交互与学习｜Peter Stone

大语言模型时代的多智能体系统｜Oriol Vinyals

部署真实世界 AI 智能体的实践经验｜Clay Bavor

用 AI 智能体自动化科学发现｜James Zou

大语言模型基准测试中的可预测噪声｜Sida Wang

多智能体人工智能｜Noam Brown

训练智能体模型｜Weizhu Chen

后训练与可验证智能体｜Jiantao Jiao

从 AI 工程师视角看系统设计的演进｜Yangqing Jia

大语言模型智能体概览｜Yann Dubois

1. 课程概述

2. 测试阶段计算量扩展

3. 稳健验证

4. 利用工具与代码进行反馈学习

5. 任务规划与多步骤推理

6. 训练时计算扩展与强化学习扩展

7. 智能体的自我改进与深度研究

8. 智能体评估与长周期任务

9. 未来研究领域

1. 课程概览

2. 测试阶段计算量扩展

3. 稳健验证

4. 利用工具与代码进行反馈学习

5. 任务规划与多步骤推理

6. 训练时计算扩展与强化学习扩展

7. 智能体的自我改进与深度研究

8. 智能体评估与长周期任务

9. 未来研究领域

1. 机器学习导论

2. 监督学习基本设定

3. 加权最小二乘法

4. 指数族、广义线性模型与分类

5. 高斯判别分析

6. 数据集划分与机器学习实践建议

7. 神经网络（一）：网络架构

8. 神经网络（二）：反向传播

9. K均值与高斯混合模型（非 EM 部分）

10. 高斯混合模型（EM）与主成分分析（PCA）

11. 扩散模型

12. 表征学习

13. 大语言模型与下一词预测损失

14. Transformer 与上下文学习

16. 强化学习基本概念与策略梯度*

18. 高斯混合模型（EM）与 PCA*

20. 高斯混合模型（EM）与 PCA*

1. 机器学习导论

2. 监督学习基本设定

3. 加权最小二乘法

4. 指数族、广义线性模型与分类

5. 高斯判别分析

6. 数据集划分与机器学习实践建议

7. 神经网络（一）：网络架构

8. 神经网络（二）：反向传播

9. K均值与高斯混合模型（非 EM 部分）

10. 高斯混合模型（EM）与主成分分析（PCA）

11. 扩散模型

12. 表征学习

13. 大语言模型与下一词预测损失

14. Transformer 与上下文学习

16. 强化学习基本概念与策略梯度*

18. 高斯混合模型（EM）与 PCA*

20. 高斯混合模型（EM）与 PCA*

L1/1 课程安排与说明

L1/2 深度学习概览

L1/3 软件工具

L1/4 线性代数

L1/5 在 Jupyter 中实践线性代数

L2/1 NDArray 多维数组

L2/2 AWS EC2 实例

L2/3 概率基础

L2/4 在 Jupyter 中实践概率基础

L2/5 朴素贝叶斯

L2/6 在 Jupyter 中实现朴素贝叶斯

L2/7 采样

L2/8 在 Jupyter 中进行采样

L3/1 在 AWS 上配置 GPU 实例

L3/2 自动微分

L4/1 线性回归

L4/2 基础优化

L4/3 用python实现线性回归

L4/4 用Gluon实现线性回归

L5/1 作业与课程项目安排

L5/2 最大似然估计与最大后验估计

L5/3 损失函数

L5/4 逻辑回归

L5/5 在 Jupyter 中实现逻辑回归

L5/6 信息论

L5/7 信息论回顾

L5/8 用 Python 实现 Softmax 分类

L5/8b 用 Python（Gluon 版本）实现 Softmax 分类

L6/1 感知机算法

L6/2 多层感知机

L6/3 用 Python 实现多层感知机

L7/1 模型评估、过拟合与欠拟合

L7/2 L2 平方正则化

L7/3 在 Jupyter 中实现 L2 平方正则化

L7/4 Dropout（随机失活）

L7/5 在 Jupyter 中实现 Dropout

L8/1 梯度爆炸与梯度消失

L8/2 稳定训练：初始化权重

L8/3 稳定训练：激活函数

L8/4 数值稳定性 Notebook 实践

L8/5 深度学习硬件

L8/6 高级深度学习硬件

L9/1 经验风险与期望风险

L9/2 协变量偏移

L9/3 协变量偏移与偏差

L9/4 逻辑回归

L9/5 协变量偏移校正

L9/6 标签偏移

L9/7 对抗性数据

L9/8 非平稳环境

L10/1 深度学习框架：Gluon

L10/2 网络块与层

L10/3 参数管理

L10/4 存储和加载

L10/5 使用 GPU

L10/6 自定义层

L10/7 延迟初始化

L11/1 逻辑回归

L11/2 卷积

L11/3 用 Python 实现卷积

L11/4 填充与步幅

L11/5 用 Python 实现填充与步幅

L11/6 通道

L11/7 用 Python 处理通道

L11/8 池化

L11/9 用 Python 实现池化

L12/1 LeNet

L12/2 用 Python 实现 LeNet

L12/3 AlexNet

L12/4 用 Python 实现 AlexNet

L12/5 VGG

L12/6 用 Python 实现 VGG

L12/7 网络中的网络（NiN）

L12/8 用 Python 实现网络中的网络（NiN）

L13/1 Inception（GoogLeNet）

L13/2 用 Python 实现 Inception

L13/3 批量归一化

L13/4 用 Python 实现批量归一化

L13/5 ResNet（残差网络）

L13/6 用 Python 实现 ResNet

L13/7 超越 ResNet

L13/8 用 Python 实现 DenseNet

L14/1 期中考试安排

L14/2 混合化（即时编译，JIT）

L14/3 用 Python 实现混合化

L14/6 用 Python 进行多 GPU 训练

L14/7 多机训练

L15/1 图像增强

L15/2 微调

L15/3 用 Python 实现微调

L15/4 风格迁移

L15/5 用 Python 实现风格迁移

L16/1 目标检测

L16/2 边界框与锚框

L16/3 目标检测数据集

L16/4 基于区域的卷积神经网络

L16/5 SSD 与 YOLO

L16/6 CNN 训练技巧集锦

L16/7 用 Python 实现 SSD

Lecture 0: 大脑、心智与机器导论

Lecture 1.1: 人类认知神经科学

Lecture 1.2: 神经反馈的计算作用

Lecture 1.3: 识别的神经机制（一）

Lecture 1.4: 识别的神经机制（二）

Lecture 1.5: 灵长类、面孔与智能

Lecture 1.6: 海马体、记忆与睡眠（一）

Lecture 1.7: 海马体、记忆与睡眠（二）

专题研讨1：果蝇大脑中的心智

Lecture 2.1: 计算认知科学（一）

Lecture 2.2: 计算认知科学（二）

Lecture 2.3: 计算认知科学（三）

Lecture 3.1: 婴儿期认知（一）

Lecture 3.2: 婴儿期认知（二）

Lecture 3.3: 沟通理解能力的发展

Lecture 3.4: 儿童对信息成本与价值的敏感性

专题研讨3：婴儿对成本与收益的敏感性

Lecture 3.5: 像科学家一样学习的儿童

第3单元辩论：Tomer Ullman 与 Laura Schulz

Lecture 4.1: 视觉概念的发展

Lecture 4.2: 识别的基本单元

Lecture 4.3: 预测视觉记忆

专题研讨4.1：探查感觉表征

专题研讨4.2：视觉技术的应用

Lecture 5.1: 视觉与语言

Lecture 5.2: 从语言到视觉，再从视觉回到语言

Lecture 5.3: 故事理解

专题研讨5：语言的神经表征

Lecture 6.1: 社会智能导论

Lecture 6.2: 社会心智

Lecture 6.3: MVPA——通过 fMRI 观察心智（一）

Lecture 6.4: MVPA——通过 fMRI 观察心智（二）

Lecture 7.1: 听觉导论（一）

Lecture 7.2: 听觉导论（二）

Lecture 7.3: 人类听觉皮层

Lecture 7.4: 语音技术中的听觉感知（一）

Lecture 7.5: 语音技术中的听觉感知（二）

第7单元圆桌讨论：视觉与听觉

Lecture 8.1: MIT 的 DARPA 机器人挑战赛方案

Lecture 8.2: 地图构建、定位与自动驾驶汽车

Lecture 8.3: 哺乳动物与机器人的控制架构

Lecture 8.4: 人机协作

Lecture 8.5: iCub 机器人导论

Lecture 8.6: iCub 机器人研究概览

第8单元圆桌讨论：机器人学

Lecture 9.1: iTheory——视觉皮层与深度网络

专题研讨9：深度学习的统计物理

Lecture 9.2: 深度网络中的感觉表征

Nick_Cheney_Capturing_Neural_Plasticity_in_Deep_Networks__qTVDxXBK5A_local

教程1：视觉神经科学导论

教程3.1：机器学习（一）

教程3.2：机器学习（二）

教程3.3：机器学习（三）

教程4：通过群体解码理解神经信息内容

教程5.1：Church 编程语言（一）

教程5.2：Church 编程语言（二）

教程6：Amazon Mechanical Turk 众包平台

Danny Jeck：注意力对视觉识别皮层模型的影响

Alon Baram & Laurie Bayet：从少量样本学习识别数字与人脸

David Rolnick & Ishita Dasgupta：使用 Hopfield 网络建模动态记忆

第1讲：课程介绍

第2讲：模仿学习

第3讲：策略梯度

第4讲：演员-评论家方法

第5讲：异策略演员-评论家

第6讲：Q学习

第7讲：离线强化学习

第8讲：奖励学习

第9讲：用于大语言模型的强化学习

第10讲：用于大语言模型推理的强化学习

第11讲：基于模型的强化学习

第12讲：多任务强化学习

第13讲：元强化学习

第14讲：探索

第15讲：分层强化学习与模仿学习

第16讲：机器人强化学习

第17讲：推进机器人智能

第18讲：前沿

辅导课：Q学习回顾

第1讲：深度学习导论

第2讲：监督学习、自监督学习与弱监督学习

第3讲：深度学习项目的完整周期

第4讲：对抗鲁棒性与生成模型

第5讲：深度强化学习

第6讲：AI项目策略

第8讲：智能体、提示与RAG

第9讲：AI领域职业建议

第10讲：我的模型内部发生了什么？

第1讲 强化学习导论（一）2024

第2讲 表格型MDP规划

第3讲 策略评估

第4讲 Q学习与函数逼近

第5讲 策略搜索（一）

第6讲 策略搜索（二）

第7讲 策略搜索（三）

第8讲 离线强化学习（一）

第9讲 特邀讲座：DPO - Rafael Rafailov, Archit Sharma, Eric Mitchell

第10讲 离线强化学习（三）

第11讲 探索（一）

第12讲 探索（二）

第13讲 探索（三）

第14讲 多智能体博弈

第15讲 Emma Brunskill 与 Dan Webber

第16讲 价值对齐

Let's build GPT: from scratch, in code, spelled out.

[1hr Talk] Intro to Large Language Models

Let's reproduce GPT-2 (124M)

Deep Dive into LLMs like ChatGPT

How I use LLMs

第1讲：课程概览与 AI 基础

第2讲：机器学习（一）

第3讲：机器学习（二）

第4讲：机器学习（三）