课程目录：
1·【2026版】1：机器学习基本概念简介
2·【2026版】1：人工智能学习路线简介
3·【2026版】2：深度学习基本概念简介
4·【2026版】3：深度学习介绍
5·【2026版】4：反向传播
6·【2026版】5：预测神奇宝贝CP
7·【2026版】6：神奇宝贝分类
8·【2026版】7：逻辑回归
9·【2026版】8：机器学习任务攻略
10·【2026版】9：类神经网络训练不起来怎么办（一）局部最小值 (loca)
11·【2026版】10：类神经网络训练不起来怎么办（二）
12·【2026版】11：类神经网络训练不起来怎么办 (三)：自动调整学习速率
13·【2026版】12：类神经网络训练不起来怎么办(四)：损失函数(Loss)
14·【2026版】13：重温神奇宝贝和数码宝贝分类器——谈谈机器学习
15·【2026版】14：Gradient Descent（AOE 演示
16·【2026版】15： Gradient Descent（Minec
17·【2026版】16： Optimization for Deep
18·【2026版】17： Optimization for Deep
19·【2026版】18：卷积神经网络 (Convolutional Neura
20·【2026版】19：为什么用了验证集结果还是过拟合了呢
21·【2026版】20：鱼与熊掌可以兼得的深度学习
22·【2026版】21：Spatial Transformer Lay
23·【2026版】22：自注意力机制 (Self-attention) (上)
24·【2026版】23：自注意力机制 (Self-attention) (下
25·【2026版】24：RNN（Part I）
26·【2026版】25：RNN (Part II)
27·【2026版】26：GNN (1_2)
28·【2026版】27：GNN (2_2)
29·【2026版】28：Transformer (上)
30·【2026版】29：Transformer (下)
31·【2026版】30：各种各样神奇的自注意力机制 Self-at
32·【2026版】31：Non-Autoregressive Sequ
33·【2026版】32：Pointer Network
34·【2026版】33：生成式对抗网络 Generative Adversari
35·【2026版】34：生成式对抗网络 Generative Adversari
36·【2026版】35：生成式对抗网络 Generative Adversari
37·【2026版】36：生成式对抗网络 Generative Adversari
38·【2026版】37：GAN 理论（第 1 部分）
39·【2026版】38：GAN 理论（第 2 部分）
40·【2026版】39：GAN 理论（第 3 部分）
41·【2026版】40：VAE
42·【2026版】41：Flow-based Generative
43·【2026版】42：自监督学习 Self-supervised Lear
44·【2026版】43：自监督学习 Self-supervised Lear
45·【2026版】44：自监督学习Self-supervised Learn
46·【2026版】45：自监督学习Self-supervised Learn
47·【2026版】46：BERT（第 1 部分）
48·【2026版】47：BERT（第 2 部分）
49·【2026版】48：GPT-3
50·【2026版】49：自编码器 (Auto-encoder) (上) – 基
51·【2026版】50：自编码器(Auto-encoder) (下) – 更多
52·【2026版】51：PCA
53·【2026版】52：t-SNE
54·【2026版】53：机器学习的可解释性 (Explainable ML)
55·【2026版】54：机器学习的可解释性 (Explainable ML)
56·【2026版】55：来自人类的恶意攻击Adversarial Attack
57·【2026版】56：来自人类的恶意攻击Adversarial Attack
58·【2026版】57：概述领域自适应 (Domain Adaptation)
59·【2026版】58：概述增强式学习Reinforcement Lear
60·【2026版】59：概述增强式学习(Reinforcement Lear
61·【2026版】60：概述增强式学习(Reinforcement Lear
62·【2026版】61：概述增强式学习(Reinforcement Lear
63·【2026版】62：概述增强式学习(Reinforcement Lear
64·【2026版】63：神经网络压缩 (Network Compressio
65·【2026版】64：神经网络压缩 (Network Compressio
66·【2026版】65：Proximal Policy Optimi
67·【2026版】66： Q-learning (Basic Ide
68·【2026版】67：：Q-learning Advanced T
69·【2026版】68：机器终身学习 Life Long Learning
70·【2026版】69：元学习Meta Learning (一)
71·【2026版】70：元学习Meta Learning (二)
72·【2026版】71：Meta Learning – MAML
73·【2026版】72：Meta Learning – MAML
74·【2026版】73：Meta Learning – MAML
75·【2026版】74：Meta Learning – MAML
76·【2026版】75：Meta Learning – MAML
77·【2026版】76：Meta Learning – MAML
78·【2026版】77：Meta Learning – MAML
79·【2026版】78：Meta Learning – MAML
80·【2026版】79：Meta Learning – MAML
81·【2026版】80：Meta Learning - Gradient Descent as LSTM
82·【2026版】81：Meta Learning - Gradient Descent as LSTM
83·【2026版】82：Meta Learning - Gradient Descent as LSTM
84·【2026版】83：Meta Learning – Metric-based
85·【2026版】84：Meta Learning – Metric-based
86·【2026版】85：Meta Learning – Metric-based
87·【2026版】86：Meta Learning - Train+Test as RNN
88·【生成式AI】Chat1 GPT 原理剖析 (1_3) — 對 ChatG
89·2 【生成式AI】ChatGPT 原理剖析 (3_3) — ChatGPT
90·3 【生成式AI】用 ChatGPT 和 Midjourney 來玩文字冒
91·4 【生成式AI】快速了解機器學習基本原理 (1_2) (已經略懂機器學習
92·5 【生成式AI】快速了解機器學習基本原理 (2_2) (已經略懂機器學習
93·6 【生成式AI】生成式學習的兩種策略：要各個擊破，還是要一次到位
94·7 【生成式AI】能夠使用工具的AI：New Bing, WebGPT,
95·8 【生成式AI】Finetuning vs Prompting：對於大
96·9 【生成式AI】Finetuning vs Prompting：對於大
97·10 【生成式AI】Finetuning vs Prompting：對(
98·11 【生成式AI】大模型 + 大資料 = 神奇結果？(1_3)：大模型(
99·12 【生成式AI】大模型 + 大資料 = 神奇結果？(2_3)：到底要(
100·13 【生成式AI】大模型 + 大資料 = 神奇結果？(3_3)：另闢蹊(
101·14 【生成式AI】GPT-4 來了! GPT-4 這次有什麼神奇的能力(
102·15 【生成式AI】速覽圖像生成常見模型(
103·16 【生成式AI】淺談圖像生成模型 Diffusion Model 原(
104·17 【生成式AI】Stable Diffusion、DALL-E、Im(
105·18 【生成式AI】Diffusion Model 原理剖析 (1_4)(
106·19 【生成式AI】Diffusion Model 原理剖析 (2_4)(
107·20 【生成式AI】Diffusion Model 原理剖析 (3_4)(
108·21 【生成式AI】Diffusion Model 原理剖析 (4_4)(
109·22 【生成式AI】窮人如何低資源復刻自己的 ChatGPT(
110·24 【生成式AI】讓 AI 村民組成虛擬村莊會發生甚麼事？(
111·李宏毅AI Agent介绍
112·1.第一讲：一堂课搞懂生成式人工智能的技术突破与未來发展
113·2.Colab_Kaggle教程
114·3.PyTorch教程
115·4.JudgeBoi指南
116·5.HW1 - Retrieval Augmented Generation w
117·6.第二讲：一堂课搞懂 AI Agent 的原理（AI如何跨越行为调整、使用工具
118·7.HW2 - AI Agent2
119·8.第三讲：AI 的脑科学 — 语言模型内部运作机制剖析 (解析单一神经元到整群神经元的运作机制、如何让语言模型说出自己的内心世界)
120·9.HW3 - Understanding transformers
121·10.第四讲：Transformer 的时代要结束了吗？介绍 Transform
122·11.HW4 - Training Transformer
123·12.第五讲：大型语言模型训练方法「预训练–对齐」
124·13.助教课：利用多张GPU训练大型语言模型—从零开始介绍DeepSpeed、L
125·14.HW5 - Finetuning is Powerful
126·15.第六讲：生成式人工智能的后训练(Post-Training)与遗忘问题
127·16.HW6 - Fine-tuning Leads to Forgettin
128·17.HW6 - Hugging Face Llama Model Downlo
129·18.第七讲：DeepSeek-R1 这类大型语言模型是如何进行「深度思考」（R
130·19.第八讲：大型语言模型的推理过程不用太长、够用就好
131·20.第九讲：谈谈有关大型语言模型评估的几件事
132·21.第十讲：人工智慧的微创手术 — 浅谈 Model Editing
133·22.HW7 - RLHF
134·01-DLHLP-Deep Learning for Human Language Processing (Course Overview)
135·02-Rule of DLHLP (2020)-17v0ptK0C44
136·03-DLHLP-Speech Recognition (Part 1)
137·04-DLHLP-Speech Recognition - Listen, Attend, Spell (part 2)
138·05-DLHLP-Speech Recognition - CTC, RNN-T and more (part 3)
139·06-DLHLP-Speech Recognition - HMM (4_7) (optional)-XWTGY_PNABo
140·07-Speech Recognition - Alignment of HMM, CTC and RNN-T (5_7) (optional)-5SSVra
141·08-Speech Recognition - RNN-T Training (6_7) (optional)-L519dCHUCog
142·09-Speech Recognition - Language Modeling (7_7)-dymfkWtVUdo
143·10-Voice Conversion - Feature Disentangle (1_2)-Jj6blc8UijY
144·11-Voice Conversion - CycleGAN and StarGAN (2_2)-JUWVuF2ucTk
145·12-Speech-Separation-tovg5ZxNgIo
146·13-Speech Separation (2_2) - TasNet-G0O1A7lONSY
147·14-Speech Synthesis (1_2) - Tacotron-DMxKeHW8KdM
148·15-Speech Synthesis (2_2) - More than Tacotron-Eau1Fr2x86Y
149·16-Speaker Verification-z3yvxvyP-lE
150·17-Overview of NLP Tasks-tFBrqPPxWzE
151·18-ELMO, BERT, GPT-UYPa347-DdE
152·19-BERT and its family - Introduction and Fine-tune-1_gRK9EIQpc
153·20-BERT and its family - ELMo, BERT, GPT, XLNet, MASS, BART, UniLM, ELECTRA, and
154·21-Deep Learning for Coreference Resolution-2BemmceHKOU
155·22-Conditional Generation by RNN & Attention-f1KUUz7v8g4
156·23-Non-Autoregressive Sequence Generation
157·24-Text Style Transfer and Unsupervised Summarization_Translation_Speech Recogni
158·25-Multilingual BERT-8rDN1jUI82g
159·26-Deep Learning for Constituency Parsing-pHQ2lcDgoFs
160·27-Deep Learning for Dependency Parsing-9erBrs-VIqc
161·28-Audio BERT (1_2) (由助教劉廷緯同學講授)-NN9Q9Jhtvvg
162·29-Audio BERT (2_2) (由助教紀伯翰同學和助教楊書文同學講授)-0KNvAYb1emQ
163·30-Deep Learning for Question Answering (1_2)-3Dlw_pzA6CU
164·31-Deep Learning for Question Answering (2_2)-h_Lptoq8spQ
165·32-來自獵人暗黑大陸的模型 GPT3-DOG1L9lvsDY