Stanford CS229 Machine Learning | Spring 2026 | Lecture 1: Introduction（在新分頁開啟原站）
Stanford CS229 春季 2026 課程第一堂課，介紹機器學習基礎概念。
11.7 萬次觀看
※ 摘要僅根據標題與說明
機器學習基礎
Machine Learning Basics ・ 74 筆內容
監督式學習、迴歸、分類、損失函數等機器學習的基本觀念。
也叫做：機器學習、machine learning、機器學習基石、監督式學習、統計學習、梯度下降、gradient descent
學習路徑
由淺入深：入門 → 進階 → 高階
入門初窺門徑
Stanford CS229 Machine Learning | Spring 2026 | Lecture 1: Introduction（在新分頁開啟原站）
Stanford Online37 分鐘○ 無原文
MIT Introduction to Deep Learning (2025) | 6.S191（在新分頁開啟原站）
Alexander Amini1 小時 9 分○ 無原文
NTU/TAICA Machine Learning 2026 Fall Week 3（在新分頁開啟原站）
Hsuan-Tien Lin3 小時 1 分○ 無原文
The moment we stopped understanding AI [AlexNet]（在新分頁開啟原站）
Welch Labs18 分鐘○ 無原文
進階登堂入室
Stanford CS229 Machine Learning | Spring 2026 | Lecture 8: Neural Networks 2 (Backprop)（在新分頁開啟原站）
Stanford Online1 小時 2 分○ 無原文
Building makemore Part 2: MLP（在新分頁開啟原站）
Andrej Karpathy1 小時 16 分○ 無原文
高階爐火純青
Meta-Learning: Learning to Learn Fast
Lilian Weng（部落格）● 有原文
排行前 19 名
依相關、人氣、新鮮度綜合排序；站長推薦的加成
Stanford CS229 Machine Learning | Spring 2026 | Lecture 2: Supervised Learning Setup（在新分頁開啟原站）
Stanford CS229 春季 2026 課程第二講，介紹如何設定監督式學習環境。
2.5 萬次觀看※ 摘要僅根據標題與說明
MIT Introduction to Deep Learning (2025) | 6.S191（在新分頁開啟原站）
MIT 6.S191 課程介紹了深度學習的基礎概念，適合想從零開始學習 AI 的讀者。
100 萬次觀看※ 摘要僅根據標題與說明
NTU/TAICA Machine Learning 2026 Fall Week 3（在新分頁開啟原站）
NTU/TAICA 2026 秋季第三週的影片，主要介紹了 AI 領域的基礎概念與應用，內容涵蓋了從理論到實踐的完整流程。
9,609次觀看※ 摘要僅根據標題與說明
The moment we stopped understanding AI [AlexNet]（在新分頁開啟原站）
探討了為何我們曾過度依賴 AI 而忘記其本質，並透過 AlexNet 案例說明如何重新理解機器學習。
250 萬次觀看※ 摘要僅根據標題與說明
MIT Introduction to Deep Learning | 6.S191（在新分頁開啟原站）
MIT 6.S191 系列的第一堂關於深度學習基礎的講課，由 Alexander Amini 教授主講。內容涵蓋了深度學習的核心概念與理論框架，為後續學習提供必要的基礎知識。
35.1 萬次觀看※ 摘要僅根據標題與說明
Stanford CS229 Machine Learning | Spring 2026 | Lecture 16: Basic Concept in RL, Policy Gradient（在新分頁開啟原站）
Stanford CS229 春季 2026 課程第 16 課，介紹 RL 中的基本概念與策略梯度法。
※ 摘要僅根據標題與說明
Stanford CS229 Machine Learning | Spring 2026 | Lecture 12: Representation Learning（在新分頁開啟原站）
Stanford CS229 春季 2026 學期第 12 課介紹表示學習，探討如何從資料中提取特徵並建立模型。
1 萬次觀看※ 摘要僅根據標題與說明
Stanford CS229 Machine Learning | Spring 2026 | Lecture 7: Neural Networks 1 (Architecture)（在新分頁開啟原站）
Stanford CS229 春季 2026 課程第 7 課，介紹神經網路的架構，內容聚焦於基礎理論與設計原理。
1.6 萬次觀看※ 摘要僅根據標題與說明
Stanford CS229 Machine Learning | Spring 2026 | Lecture 9: K-Means and GMM (non-EM)（在新分頁開啟原站）
本講解介紹 K-Means 與 GMM 非 E-M 演算法，涵蓋基本原理與實作步驟，適合學習機器學習基礎的讀者。
3,200次觀看※ 摘要僅根據標題與說明
Stanford CS229 Machine Learning | Spring 2026 | Lecture 5: Gaussian Discriminant Analysis（在新分頁開啟原站）
本講解介紹了高斯分佈判別分析，是機器學習中處理分類問題的重要方法。
6,900次觀看※ 摘要僅根據標題與說明
【生成式人工智慧與機器學習導論2025】第０講：開場與課程簡介（在新分頁開啟原站）
本影片為《生成式人工智慧與機器學習導論 2025》第 0 講，主要介紹課程開場與整體架構，讓讀者了解後續將涵蓋的基礎概念。
12.9 萬次觀看※ 摘要僅根據標題與說明
The Thinking Game | Full documentary | Tribeca Film Festival official selection（在新分頁開啟原站）
Google DeepMind 推出的《思考遊戲》是一部關於 AI 如何思考的紀錄片，探討機器學習的基礎概念與運作原理。
4.4 億次觀看※ 摘要僅根據標題與說明
Stanford CS229 Machine Learning | Spring 2026 | Lecture 6: Dataset Split, ML Advice（在新分頁開啟原站）
Stanford CS229 春季 2026 課程第六節，探討如何將資料集進行分割，並分享關於機器學習的實用建議。
※ 摘要僅根據標題與說明
【生成式人工智慧與機器學習導論2025】第 6 講：一堂課搞懂訓練類神經網路的各種訣竅（在新分頁開啟原站）
本講課介紹生成式 AI 與機器學習的基礎，重點在於訓練類神經網路的訣竅，幫助讀者掌握核心概念。
※ 摘要僅根據標題與說明
- 490次觀看
※ 摘要僅根據標題與說明
※ 摘要僅根據標題與說明
【生成式AI時代下的機器學習(2025)】第一講：一堂課搞懂生成式人工智慧的技術突破與未來發展（在新分頁開啟原站）
本講解探討生成式 AI 時代機器學習的技術突破與未來發展，幫助讀者理解這一領域的核心概念。
※ 摘要僅根據標題與說明
【生成式人工智慧與機器學習導論2025】第 5 講：一堂課搞懂機器學習與深度學習的基本原理 (案例：老師什麼時候要下課)（在新分頁開啟原站）
本講由 Hung-yi Lee 介紹生成式 AI 與機器學習的基礎原理，透過案例說明老師何時該下課，幫助讀者理解核心概念。
※ 摘要僅根據標題與說明
最新
依發布時間
Giving AI a Credit Card Is Still Painful（在新分頁開啟原站）
分享從銀行資料與機器學習起步的 20 年經驗，指出企業在 AI 產品測試與評估上缺乏實際方法，導致產品僅靠「感覺」運作。他介紹了自己開發的流行評估課程，並提供如何建立可持續的 AI 產品的具體實戰知識。
※ 摘要僅根據標題與說明
Ransomware Detection: Why Storage Finds the Attack First（在新分頁開啟原站）
IBM 技術人員透過熵值分析與機器學習，解釋儲存系統如何率先偵測勒索軟體。看完後讀者將掌握早期識別攻擊的關鍵方法，大幅縮短資料損失時間。
2.2 萬次觀看※ 摘要僅根據標題與說明
JEV CEO：RLHF是走弯路 | RLHF | OpenAI | 大语言模型 | 人工智能 | Diogo Almeida | JEV | 机器学习 | AI泡沫 | AI经济革命（在新分頁開啟原站）
前 OpenAI 核心成員 Diogo Almeida 指出，RLHF 策略導致模型過度承諾，產出看似正確但實際錯誤的答案。
※ 摘要僅根據標題與說明
NTU/TAICA Machine Learning 2026 Fall Week 3（在新分頁開啟原站）
NTU/TAICA 2026 秋季第三週的影片，主要介紹了 AI 領域的基礎概念與應用，內容涵蓋了從理論到實踐的完整流程。
9,609次觀看※ 摘要僅根據標題與說明
AI不确定性的数学原理 | 贝叶斯法则 | 机器学习 | 深度学习 | 祖宾·加赫拉马尼 | 谷歌DeepMind | 大语言模型 | 概率推理 | 神经网络 | 通用人工智能 | 语义熵（在新分頁開啟原站）
影片用數學解釋 AI 的不確定性，透過貝葉斯法則說明如何根據資料更新信念，幫助理解大語言模型與深度學習中的機率推理。
※ 摘要僅根據標題與說明
Stanford CS229 Machine Learning | Spring 2026 | Lecture 20: GMM (EM), PCA（在新分頁開啟原站）
Stanford CS229 春季 2026 課程第 20 課介紹 GMM 與 EM 演算法，並探討 PCA 技術。
1.1 萬次觀看※ 摘要僅根據標題與說明
Stanford CS229 Machine Learning | Spring 2026 | Lecture 18: GMM (EM), PCA（在新分頁開啟原站）
Stanford CS229 春季 2026 課程第 18 課介紹高斯混合模型（GMM）的 EM 演算法與主成分分析（PCA）。
4,600次觀看※ 摘要僅根據標題與說明
Stanford CS229 Machine Learning | Spring 2026 | Lecture 16: Basic Concept in RL, Policy Gradient（在新分頁開啟原站）
Stanford CS229 春季 2026 課程第 16 課，介紹 RL 中的基本概念與策略梯度法。
※ 摘要僅根據標題與說明
Stanford CS229 Machine Learning | Spring 2026 | Lecture 14: Transformers, In-Context Learning（在新分頁開啟原站）
Stanford CS229 春季 2026 課程第 14 課介紹 Transformer 架構與上下文學習，探討如何讓模型在少量資料下快速理解複雜任務。
16.9 萬次觀看※ 摘要僅根據標題與說明
Stanford CS229 Machine Learning | Spring 2026 | Lecture 13: LLMs, Next-Word Prediction Loss（在新分頁開啟原站）
Stanford CS229 第 13 課介紹大型語言模型如何預測下一個字，探討其損失函式的機制。
※ 摘要僅根據標題與說明
Stanford CS229 Machine Learning | Spring 2026 | Lecture 12: Representation Learning（在新分頁開啟原站）
Stanford CS229 春季 2026 學期第 12 課介紹表示學習，探討如何從資料中提取特徵並建立模型。
1 萬次觀看※ 摘要僅根據標題與說明
Stanford CS229 Machine Learning | Spring 2026 | Lecture 10: GMM (EM), PCA（在新分頁開啟原站）
本課程介紹高斯混合模型（GMM）與期望最大化（EM）演算法，並探討主成分分析（PCA）在降維與去噪中的應用。
3,500次觀看※ 摘要僅根據標題與說明
