📓 精选顶尖大学免费AI/ML课程笔记
一份精选的官方、免费、书面形式的AI/机器学习课程笔记列表，来自全球顶尖大学——有些院系会发布这些笔记，而不是指定付费教科书。
这是 Awesome Free AI Books 的配套项目，专注于一种不同（且更为稀有）的资源类型：由讲师本人编写和发布的课程笔记，可免费获取，并且内容详尽，足以作为教科书的替代品。
什么条目算合格
此列表标准严格。一个条目必须：
- 书面散文笔记 — 不是幻灯片，不是纯视频讲座。如果它读起来像教科书的一章，就合格。如果是幻灯片或没有配套文本的录播讲座，则不合格（完整理由及塑造此规则的讨论请参见 CONTRIBUTING.md）。
- 官方发布 — 由教授、课程或院系本身发布。
- 免费且永久 — 无需登录、无需机构邮箱、无付费墙。
由于标准严格，大多数大学——即使是优秀的大学——根本没有合格的条目：它们使用教科书，或者材料是幻灯片/视频，或者所有内容都隐藏在 Moodle/Canvas 登录之后。这很正常，也是此列表简短的原因。质量与诚实胜于数量。
🇺🇸 美国
| 大学 | 课程 | 讲师 | 笔记 |
|---|---|---|---|
| MIT | 6.390 – 机器学习导论 | EECS系 | introml.mit.edu/notes |
| 哈佛大学 | CS181 – 机器学习 | — | github.com/harvard-ml-courses/cs181-textbook |
| 普林斯顿大学 | COS 324 – 机器学习导论 | Sanjeev Arora, Danqi Chen | princeton-introml.github.io |
| 斯坦福大学 | CS229 – 机器学习 | — | cs229.stanford.edu |
| 加州大学伯克利分校 | CS189/289A – 机器学习导论 | Jonathan Shewchuk 等 | eecs189.org |
| 加州理工学院 | CS156 – 从数据中学习 | Yaser Abu-Mostafa | work.caltech.edu/telecourse |
| 康奈尔大学 | CS4780 – 智能系统机器学习 | Kilian Weinberger 等 | cs.cornell.edu/courses/cs4780 |
🇬🇧 英国
| 大学 | 课程 | 讲师 | 笔记 |
|---|---|---|---|
| 牛津大学 | 机器学习高级主题（贝叶斯机器学习部分） | Tom Rainforth | cs.ox.ac.uk/teaching |
🇩🇪 德国
| 大学 | 课程 | 讲师 | 笔记 |
|---|---|---|---|
| 慕尼黑大学 | I2ML – 机器学习导论 | SLDS团队 | slds-lmu.github.io/i2ml |
🇰🇷 韩国
| 大学 | 课程 | 讲师 | 笔记 |
|---|---|---|---|
| 韩国科学技术院 | 机器学习（iNotes系列） | iAI实验室 | iailab.kaist.ac.kr/teaching/machine-learning |
🇧🇷 巴西
| 大学 | 课程 | 讲师 | 笔记 |
|---|---|---|---|
| 圣保罗大学（理工学院） | 机器学习导论 | Hae Yong Kim | lps.usp.br/hae/apostila |
🌍 已核查但尚无合格条目的大学
此列表对其自身局限性保持透明——并且为了不让贡献者重复推荐已被排除的内容——以下大学已核查但未提供合格条目，主要原因是材料仅为幻灯片/视频或需要登录：
耶鲁大学、华盛顿大学、卡内基梅隆大学、剑桥大学、慕尼黑工业大学、卡尔斯鲁厄理工学院、巴黎综合理工学院、索邦大学、加泰罗尼亚理工大学、马德里理工大学、马德里自治理工大学、里斯本理工学院、波尔图大学、阿威罗大学、莫斯科国立大学、高等经济大学、圣彼得堡国立信息技术机械与光学大学、清华大学、北京大学、浙江大学、东京大学、京都大学、东京科学大学、印度理工学院孟买分校、印度理工学院德里分校、印度科学理工学院班加罗尔分校、坎皮纳斯州立大学、巴西航空技术学院、联邦戈亚斯大学。
如果您知道任何上述地方（或其他地方）存在真正合格的、官方的、书面的笔记集，请提交 issue — 请参见 CONTRIBUTING.md。
🤝 如何贡献
提交 PR 前请阅读 CONTRIBUTING.md。简要版本：
- 材料必须是书面笔记，官方、免费且永久（无需登录）。
- 链接到主要来源（教授或课程自身的页面）。
- 每个 PR 一个条目，按国家字母顺序，然后按大学字母顺序排列。
⚖️ 为何只使用官方链接
与父项目理念相同：此仓库不托管任何文件。它是一个索引，指向大学和讲师已公开发布的内容。如果链接失效，请提交一个 issue。
为全世界的学生而制作 📓。
由 Marcos Cruz 策划 — 欢迎在 LinkedIn 上与我联系。
📓 Awesome Free University AI/ML Course Notes
A curated list of official, free, written course notes on AI/Machine Learning from top universities worldwide — the kind some departments publish instead of assigning a paid textbook.
This is a companion project to Awesome Free AI Books, focused on a different (and much rarer) kind of resource: course notes written and published directly by the instructors themselves, freely available, and detailed enough to function as a textbook substitute.
What counts as an entry here
This list is intentionally strict. An entry must be:
- Written prose notes — not slide decks, not video-only lectures. If it reads like a textbook chapter, it qualifies. If it’s a slide deck or a recorded lecture with no accompanying text, it doesn’t (see CONTRIBUTING.md for the full reasoning and the discussion that shaped this rule).
- Official — published by the professor, the course, or the department itself.
- Free and permanent — no login, no institutional email required, no paywall.
Because of this strict bar, most universities — even excellent ones — simply don’t have a qualifying entry: they use a textbook, or their materials are slides/video, or everything sits behind a Moodle/Canvas login. That’s expected and it’s why this list is short. Quality and honesty over quantity.
🇺🇸 United States
| University | Course | Instructor(s) | Notes |
|---|---|---|---|
| MIT | 6.390 – Introduction to Machine Learning | EECS Dept. | introml.mit.edu/notes |
| Harvard | CS181 – Machine Learning | — | github.com/harvard-ml-courses/cs181-textbook |
| Princeton | COS 324 – Introduction to Machine Learning | Sanjeev Arora, Danqi Chen | princeton-introml.github.io |
| Stanford | CS229 – Machine Learning | — | cs229.stanford.edu |
| UC Berkeley | CS189/289A – Introduction to Machine Learning | Jonathan Shewchuk et al. | eecs189.org |
| Caltech | CS156 – Learning From Data | Yaser Abu-Mostafa | work.caltech.edu/telecourse |
| Cornell | CS4780 – Machine Learning for Intelligent Systems | Kilian Weinberger et al. | cs.cornell.edu/courses/cs4780 |
🇬🇧 England
| University | Course | Instructor(s) | Notes |
|---|---|---|---|
| Oxford | Advanced Topics in Machine Learning (Bayesian ML section) | Tom Rainforth | cs.ox.ac.uk/teaching |
🇩🇪 Germany
| University | Course | Instructor(s) | Notes |
|---|---|---|---|
| LMU Munich | I2ML – Introduction to Machine Learning | SLDS group | slds-lmu.github.io/i2ml |
🇰🇷 South Korea
| University | Course | Instructor(s) | Notes |
|---|---|---|---|
| KAIST | Machine Learning (iNotes series) | iAI Lab | iailab.kaist.ac.kr/teaching/machine-learning |
🇧🇷 Brazil
| University | Course | Instructor(s) | Notes |
|---|---|---|---|
| USP (Escola Politécnica) | Introdução ao Aprendizado de Máquina | Hae Yong Kim | lps.usp.br/hae/apostila |
🌍 Universities checked, no qualifying entry (yet)
So the list is transparent about its own limits — and so contributors don’t re-suggest something already ruled out — here’s what was checked and didn’t qualify, mostly because material is slides/video-only or sits behind a login:
Yale, University of Washington, Carnegie Mellon University, University of Cambridge, TU Munich, Karlsruhe Institute of Technology, École Polytechnique, Sorbonne Université, Universitat Politècnica de Catalunya, Universidad Politécnica de Madrid, Universidad Autónoma de Madrid, Instituto Superior Técnico (Lisbon), Universidade do Porto, Universidade de Aveiro, Lomonosov Moscow State University, HSE University, ITMO University, Tsinghua University, Peking University, Zhejiang University, University of Tokyo, Kyoto University, Institute of Science Tokyo, IIT Bombay, IIT Delhi, IISc Bangalore, UNICAMP, ITA, UFG.
If you know of a genuinely qualifying, official, written set of notes at any of these (or elsewhere), please open an issue — see CONTRIBUTING.md.
🤝 How to Contribute
Read CONTRIBUTING.md before opening a PR. Quick version:
- The material must be written notes, official, free, and permanent (no login).
- Link to the primary source (the professor’s or course’s own page).
- One entry per PR, alphabetical by country, then by university.
⚖️ Why Official Links Only
Same philosophy as the parent project: this repository doesn’t host any files. It’s an index pointing to what universities and instructors already publish openly. If a link breaks, please open an issue.
Made with 📓 for students everywhere.
Curated by Marcos Cruz — feel free to connect on LinkedIn.