【导读】Pieter Abbeel 是加州大学伯克利分校的教授，伯克利机器人学习实验室的主任，其新开课程CS294深度无监督学习包含两个领域，分别是生成模型和自监督学习。这个15周的课程包含视频PPT能资源，有助于读者对深度学习无监督的理解。最新一期是生成式对抗网络Generative Adversarial Networks的课程，共有257页ppt，包括GAN, DC GAN, ImprovedGAN, WGAN, WGAN-GP, Progr.GAN, SN-GAN, SAGAN, BigGAN(-Deep), StyleGAN-v1,2, VIB-GAN, GANs as Energy Models，非常值得关注！

目录内容：

• 隐式模型的动机和定义
• 原始GAN (Goodfellow et al, 2014)
• 评估: Parzen、Inception、Frechet
• 一些理论: 贝叶斯最优鉴别器; Jensen-Shannon散度; 模式崩溃; 避免饱和
• GAN进展
• DC GAN (Radford et al, 2016)
• 改进GANs训练(Salimans et al, 2016)
• WGAN, WGAN- gp, Progressive GAN, SN-GAN, SAGAN
• BigGAN, BigGAN- deep, StyleGAN, StyleGAN-v2, VIB-GAN
• 创意条件GAN
• GANs与申述
• GANs作为能量模型
• GANs与最优传输，隐式似然模型，矩匹配
• 对抗性损失的其他用途:转移学习、公平
• GANs和模仿学习