李宏毅老師人工智慧系列課

張貼者： 日期：


好好運用李宏毅老師非常豐富的 YouTube 網路課，按部就班建立人工智慧、機器學習、生成式人工智慧的基礎：

    1. 預測本頻道觀看人數 (上) - 機器學習基本概念簡介
    2. 預測本頻道觀看人數 (下) - 深度學習基本概念簡介
    3. 機器學習任務攻略
    4. 類神經網路訓練不起來怎麼辦 (一)：局部最小值 (local minima) 與鞍點 (saddle point)
    5. 類神經網路訓練不起來怎麼辦 (二)：批次 (batch) 與動量 (momentum)
    6. 類神經網路訓練不起來怎麼辦 (三)：自動調整學習速率 (Learning Rate)
    7. 類神經網路訓練不起來怎麼辦 (四)：損失函數 (Loss) 也可能有影響
    8. 類神經網路訓練不起來怎麼辦 (五)：批次標準化 (Batch Normalization) 簡介
    9. 卷積神經網路 (Convolutional Neural Networks, CNN)
    10. 自注意力機制 (Self-attention) (上)
    11. 自注意力機制 (Self-attention) (下)
    12. Transformer (上)
    13. Transformer (下) ← 至少看到這裡
    14. 生成式對抗網路 (Generative Adversarial Network, GAN) (一) – 基本概念介紹
    15. 生成式對抗網路 (Generative Adversarial Network, GAN) (二) – 理論介紹與WGAN
    16. 生成式對抗網路 (Generative Adversarial Network, GAN) (三) – 生成器效能評估與條件式生成
    17. 生成式對抗網路 (Generative Adversarial Network, GAN) (四) – Cycle GAN
    18. 自督導式學習 (Self-supervised Learning) (一) – 芝麻街與進擊的巨人
    19. 自督導式學習 (Self-supervised Learning) (二) – BERT簡介
    20. 自督導式學習 (Self-supervised Learning) (三) – BERT的奇聞軼事
    21. 自督導式學習 (Self-supervised Learning) (四) – GPT的野望
    22. 自編碼器 (Auto-encoder) (上) – 基本概念
    23. 自編碼器 (Auto-encoder) (下) – 領結變聲器與更多應用
    24. 來自人類的惡意攻擊 (Adversarial Attack) (上) – 基本概念
    25. 來自人類的惡意攻擊 (Adversarial Attack) (下) – 類神經網路能否躲過人類深不見底的惡意？
    26. 機器學習模型的可解釋性 (Explainable ML) (上) – 為什麼類神經網路可以正確分辨寶可夢和數碼寶貝呢？
    27. 機器學習模型的可解釋性 (Explainable ML) (下) –機器心中的貓長什麼樣子？
    28. 概述領域自適應 (Domain Adaptation)
    29. 概述增強式學習 (Reinforcement Learning, RL) (一) – 增強式學習跟機器學習一樣都是三個步驟
    30. 概述增強式學習 (Reinforcement Learning, RL) (二) – Policy Gradient 與修課心情
    31. 概述增強式學習 (Reinforcement Learning, RL) (三) - Actor-Critic
    32. 概述增強式學習 (Reinforcement Learning, RL) (四) - 回饋非常罕見的時候怎麼辦？機器的望梅止渴
    33. 概述增強式學習 (Reinforcement Learning, RL) (五) - 如何從示範中學習？逆向增強式學習 (Inverse RL)
    34. 機器終身學習 (Life Long Learning, LL) (一) - 為什麼今日的人工智慧無法成為天網？災難性遺忘(Catastrophic Forgetting)
    35. 機器終身學習 (Life Long Learning, LL) (二) - 災難性遺忘(Catastrophic Forgetting)的克服之道
    36. 神經網路壓縮 (Network Compression) (一) - 類神經網路剪枝 (Pruning) 與大樂透假說 (Lottery Ticket Hypothesis)
    37. 神經網路壓縮 (Network Compression) (二) - 從各種不同的面向來壓縮神經網路
    38. 元學習 Meta Learning (一) - 元學習跟機器學習一樣也是三個步驟
    39. 元學習 Meta Learning (二) - 萬物皆可 Meta
    40. 課程結語 - 最後的業配並改編《為學一首示子姪》作結

    • 13 部影片

      • 30 部影片

      1. 第0講：課程說明 (17:15 有芙莉蓮雷)
      2. 第1講：生成式AI是什麼？
      3. 第2講：今日的生成式人工智慧厲害在哪裡？從「工具」變為「工具人」
      4. 第3講：訓練不了人工智慧？你可以訓練你自己 (上) — 神奇咒語與提供更多資訊
      5. 第4講：訓練不了人工智慧？你可以訓練你自己 (中) — 拆解問題與使用工具
      6. 第5講：訓練不了人工智慧？你可以訓練你自己 (下) — 讓語言彼此合作，把一個人活成一個團隊 (開頭有芙莉蓮雷，慎入)
      7. 第6講：大型語言模型修練史 — 第一階段: 自我學習，累積實力 (熟悉機器學習的同學從 15:00 開始看起即可)
      8. 第7講：大型語言模型修練史 — 第二階段: 名師指點，發揮潛力 (兼談對 ChatGPT 做逆向工程與 LLaMA 時代的開始)
      9. 第8講：大型語言模型修練史 — 第三階段: 參與實戰，打磨技巧 (Reinforcement Learning from Human Feedback, RLHF) ← 至少看到第八講
      10. 第9講：以大型語言模型打造的AI Agent (14:50 教你怎麼打造芙莉蓮一級魔法使考試中出現的泥人哥列姆)
      11. 第10講：今日的語言模型是如何做文字接龍的 — 淺談Transformer (已經熟悉 Transformer 的同學可略過本講)
      12. 第11講：大型語言模型在「想」什麼呢？ — 淺談大型語言模型的可解釋性
      13. 第12講：淺談檢定大型語言模型能力的各種方式
      14. 第13講：淺談大型語言模型相關的安全性議題 (上) — 亡羊補牢、語言模型的偏見、有多少人用 ChatGPT 寫論文審查意見
      15. 第14講：淺談大型語言模型相關的安全性議題 (下) — 欺騙大型語言模型
      16. 第15講：為什麼語言模型用文字接龍，圖片生成不用像素接龍呢？— 淺談生成式人工智慧的生成策略
      17. 第16講：可以加速所有語言模型生成速度的神奇外掛 — Speculative Decoding
      18. 第17講：有關影像的生成式AI (上) — AI 如何產生圖片和影片 (Sora 背後可能用的原理)
      19. 第18講：有關影像的生成式AI (下) — 快速導讀經典影像生成方法 (VAE, Flow, Diffusion, GAN) 以及與生成的影片互動
      20. GPT-4o 背後可能的語音技術猜測

      1. 一堂課搞懂生成式人工智慧的技術突破與未來發展
      2. 一堂課搞懂 AI Agent 的原理 (AI如何透過經驗調整行為、使用工具和做計劃)
      3. AI 的腦科學 — 語言模型內部運作機制剖析 (解析單一神經元到整群神經元的運作機制、如何讓語言模型說出自己的內心世界)
      4. Transformer 的時代要結束了嗎？介紹 Transformer 的競爭者們
      5. 大型語言模型訓練方法「預訓練–對齊」(Pretrain-Alignment) 的強大與極限
      6. 生成式人工智慧的後訓練(Post-Training)與遺忘問題
      7. DeepSeek-R1 這類大型語言模型是如何進行「深度思考」（Reasoning）的？
      8. 大型語言模型的推理過程不用太長、夠用就好
      9. 你這麽認這個評分系統幹什麽啊？談談有關大型語言模型評估的幾件事
      10. 人工智慧的微創手術 — 淺談 Model Editing
      11. 今天你想為 Foundation Model 裝備哪些 Task Vector？淺談神奇的 Model Merging 技術
      12. 語言模型如何學會說話 — 概述語音語言模型發展歷程


    留言

    張貼留言