Introduction to Deep Learning

Deep Learning can help you create high-quality and highly realistic videos and quality models for generating those videos. It can be used to create fully simulated environments of the real world and create virtual worlds.Deep Learning is subset of machine learning focused on extracting patterns from data using neural networks and use those patterns to inform the learning tasks. It is all about teaching computers how to learn a task from raw data.The course will start with the foundations of deep learning and neural networks and conclude with guest lectures and student projects.

MIT Introduction to Deep Learning | 6.S191
MIT 6.S191: Recurrent Neural Networks, Transformers, and Attention
MIT 6.S191: Convolutional Neural Networks
MIT 6.S191: Deep Generative Modeling
MIT 6.S191: Reinforcement Learning
MIT 6.S191: Language Models and New Frontiers
MIT 6.S191: (Google) Generative AI for Media
MIT 6.S191: Building AI Models in the Wild
MIT Introduction to Deep Learning (2023) | 6.S191
MIT 6.S191 (2023): Recurrent Neural Networks, Transformers, and Attention
MIT 6.S191 (2023): Convolutional Neural Networks
MIT 6.S191 (2023): Deep Generative Modeling
MIT 6.S191 (2023): Robust and Trustworthy Deep Learning
MIT 6.S191 (2023): Reinforcement Learning
MIT 6.S191 (2023): Deep Learning New Frontiers
MIT 6.S191 (2023): Text-to-Image Generation
MIT 6.S191 (2023): The Modern Era of Statistics
MIT 6.S191 (2023): The Future of Robot Learning
MIT Introduction to Deep Learning (2022) | 6.S191
MIT 6.S191 (2022): Recurrent Neural Networks and Transformers
MIT 6.S191 (2022): Convolutional Neural Networks
MIT 6.S191 (2022): Deep Generative Modeling
MIT 6.S191 (2022): Reinforcement Learning
MIT 6.S191 (2022): Deep Learning New Frontiers
MIT 6.S191: LiDAR for Autonomous Driving
MIT 6.S191: Automatic Speech Recognition
MIT 6.S191: AI for Science
MIT 6.S191: Uncertainty in Deep Learning
MIT 6.S191 (2021): Introduction to Deep Learning
MIT 6.S191 (2021): Recurrent Neural Networks
MIT 6.S191 (2021): Convolutional Neural Networks
MIT 6.S191 (2021): Deep Generative Modeling
MIT 6.S191 (2021): Reinforcement Learning
MIT 6.S191 (2021): Deep Learning New Frontiers
MIT 6.S191: Evidential Deep Learning and Uncertainty
MIT 6.S191: AI Bias and Fairness
MIT 6.S191: Deep CPCFG for Information Extraction
MIT 6.S191: Taming Dataset Bias via Domain Adaptation
MIT 6.S191: Towards AI for 3D Content Creation
MIT 6.S191: AI in Healthcare
MIT 6.S191 (2020): Introduction to Deep Learning
MIT 6.S191 (2020): Recurrent Neural Networks
MIT 6.S191 (2020): Convolutional Neural Networks
MIT 6.S191 (2020): Deep Generative Modeling
MIT 6.S191 (2020): Reinforcement Learning
MIT 6.S191 (2020): Deep Learning New Frontiers
MIT 6.S191 (2020): Neurosymbolic AI
MIT 6.S191 (2020): Generalizable Autonomy for Robot Manipulation
MIT 6.S191 (2020): Neural Rendering
MIT 6.S191 (2020): Machine Learning for Scent
Barack Obama: Intro to Deep Learning | MIT 6.S191
MIT 6.S191 (2019): Introduction to Deep Learning
MIT 6.S191 (2019): Recurrent Neural Networks
MIT 6.S191 (2019): Convolutional Neural Networks
MIT 6.S191 (2019): Deep Generative Modeling
MIT 6.S191 (2019): Deep Reinforcement Learning
MIT 6.S191 (2019): Deep Learning Limitations and New Frontiers
MIT 6.S191 (2019): Visualization for Machine Learning (Google Brain)
MIT 6.S191 (2019): Biologically Inspired Neural Networks (IBM)
MIT 6.S191 (2019): Image Domain Transfer (NVIDIA)
MIT 6.S191 (2018): Introduction to Deep Learning
MIT 6.S191 (2018): Sequence Modeling with Neural Networks
MIT 6.S191 (2018): Convolutional Neural Networks
MIT 6.S191 (2018): Deep Generative Modeling
MIT 6.S191 (2018): Deep Reinforcement Learning
MIT 6.S191 (2018): Deep Learning Limitations and New Frontiers
MIT 6.S191 (2018): Issues in Image Classification
MIT 6.S191 (2018): Faster ML Development with TensorFlow
MIT 6.S191 (2018): Deep Learning - A Personal Perspective
MIT 6.S191 (2018): Beyond Deep Learning: Learning+Reasoning
MIT 6.S191 (2018): Computer Vision Meets Social Networks