Vermessenes RegalKI & maschinelles Lernen
AI and machine learning videos, ranked by how much of them is useful
- Median Füllmaterial
- 37%
- Nützlicher Teil beginnt
- 1:08
- Typische Laufzeit
- 24 min
zuletzt neu berechnet 16. Sep. 2026
This is the category where the gap between reputation and substance is widest, because the subject rewards two very different videos that look identical from the outside.
The first kind spends its runtime on analogy. Neurons are like brain cells, attention is like paying attention, the model is like a very good autocomplete. It is pleasant, it is often accurate, and after forty minutes you cannot do anything you could not do before. The second kind uses one analogy to get you onto the ramp and then shows the actual arithmetic. Both get the same thumbnail treatment, and both are described as “explained”.
The measurement that separates them is density: what share of the runtime introduces something the previous minute did not already contain. Repetition of an idea in three different metaphors scores low here, and that is deliberate — it is the single most common way a fifteen-minute idea becomes a fifty-minute video in this subject.
Entries also carry a difficulty level, because “explained simply” and “explained” are not the same shelf, and the fastest way to waste an hour is to pick the wrong one for where you already are.
-
01
Let's reproduce GPT-2 (124M)
0:004:01:26- Dichte
- 84
- Füllmaterial
- 27%
- Nützlich ab
- 3:34
A code-complete, first-principles GPT-2 reproduction — one of the most valuable hands-on deep learning tutorials available.
-
02
But what is a convolution?
0:0023:01- Dichte
- 84
- Füllmaterial
- 24%
- Nützlich ab
- 1:41
Ein meisterhafter Aufbau des Faltungsbegriffs – von Würfelwahrscheinlichkeiten bis zu einem wirklich überraschenden O(n log n)-FFT-Algorithmus.
-
03
Attention in transformers, step-by-step | Deep Learning Chapter 6
0:0026:10- Dichte
- 83
- Füllmaterial
- 21%
- Nützlich ab
- 1:40
Ein meisterhaft klarer, dichter Durchgang durch den Attention-Mechanismus, der bei aufmerksamem Zuschauen mit echtem technischem Verständnis belohnt.
-
04
But what is a neural network? | Deep learning chapter 1
0:0018:40- Dichte
- 81
- Füllmaterial
- 26%
- Nützlich ab
- 2:39
Eine seltene, wirklich von Grund auf aufgebaute, rigorose und nachvollziehbare Erklärung dessen, was die Mathematik eines neuronalen Netzes tatsächlich ist.
-
05
Transformers, the tech behind LLMs | Deep Learning Chapter 5
0:0027:14- Dichte
- 80
- Füllmaterial
- 26%
- Nützlich ab
- 1:26
Eine meisterhafte Einführung in die inneren Abläufe von Transformern – dicht, fundiert und genau das, was der Titel verspricht.
-
06
Deep Dive into LLMs like ChatGPT
0:003:31:24- Dichte
- 82
- Füllmaterial
- 27%
- Nützlich ab
- 1:07
One of the clearest, most complete plain-English explanations available of how ChatGPT-style LLMs are actually built and why they behave the way they do.
-
07
Let's build GPT: from scratch, in code, spelled out.
0:001:56:20- Dichte
- 82
- Füllmaterial
- 35%
- Nützlich ab
- 14:11
A masterclass build-along: real working GPT code, the actual mechanics behind ChatGPT, with almost no filler.
-
08
But how do AI images and videos actually work? | Guest video by Welch Labs
0:0037:20- Dichte
- 82
- Füllmaterial
- 22%
- Nützlich ab
- 3:28
Eine dichte, physikalisch fundierte Erklärung, die wirklich vermittelt, wie Diffusionsmodelle und CLIP zusammenwirken, um KI-Bilder und -Videos zu erzeugen – seltener, hochwertiger…
-
09
But what is quantum computing? (Grover's Algorithm)
0:0036:54- Dichte
- 82
- Füllmaterial
- 24%
- Nützlich ab
- 0:52
Eine rigorose, ehrliche Vertiefung, die Grovers Algorithmus von Grund auf aufbaut – 3Blue1Brown in Bestform.
-
10
What is backpropagation really doing? | Deep learning chapter 3
0:0012:47- Dichte
- 80
- Füllmaterial
- 33%
- Nützlich ab
- 0:53
Eine Meisterklasse darin, echte Intuition für Backpropagation aufzubauen, ganz ohne eine einzige Formel — Bildung der Spitzenklasse.
-
11
[1hr Talk] Intro to Large Language Models
0:0059:48- Dichte
- 80
- Füllmaterial
- 25%
- Nützlich ab
- 3:31
Ein dichter, werbefreier Erklärvortrag auf Meisterklasse-Niveau darüber, wie LLMs gebaut, genutzt und angegriffen werden – eines der besten allgemeinen KI-Lehrvideos überhaupt.
-
12
Backpropagation calculus | Deep Learning Chapter 4
0:0010:18- Dichte
- 80
- Füllmaterial
- 25%
- Nützlich ab
- 0:32
Eine knappe, rigorose Herleitung der Kettenregel-Mathematik hinter Backpropagation – dicht, dauerhaft relevant und genau das, was der Titel verspricht.
-
13
Gradient descent, how neural networks learn | Deep Learning Chapter 2
0:0020:33- Dichte
- 79
- Füllmaterial
- 28%
- Nützlich ab
- 1:52
Ein Meisterstück darin, echte Intuition für Gradientenabstieg aufzubauen, ehrlich über die tatsächlichen Grenzen der Methode.
-
14
Transformer Neural Networks, ChatGPT's foundation, Clearly Explained!!!
0:0036:15- Dichte
- 79
- Füllmaterial
- 23%
- Nützlich ab
- 1:20
Eine rigorose, mit durchgerechneten Zahlen versehene Erklärung der internen Abläufe von Transformern, die tatsächlich vermittelt, wie ChatGPT-artige Modelle funktionieren, nicht nur, was…
-
15
Let's build the GPT Tokenizer
0:002:13:35- Dichte
- 82
- Füllmaterial
- 31%
- Nützlich ab
- 4:22
An exceptionally dense, hands-on build of a real GPT tokenizer that also explains — with concrete transcript-verifiable examples — why tokenization is the hidden cause of most weird LLM…
-
16
How might LLMs store facts | Deep Learning Chapter 7
0:0022:43- Dichte
- 82
- Füllmaterial
- 22%
- Nützlich ab
- 0:58
Ein rigoroser, in sich geschlossener Durchgang dazu, wie MLP-Blöcke in Transformern Fakten kodieren könnten, gekrönt von einem wirklich erhellenden Einblick in Superposition und…
-
17
The Most Important Algorithm in Machine Learning
0:0040:08- Dichte
- 78
- Füllmaterial
- 27%
- Nützlich ab
- 1:28
Eine rigorose, von Grund auf aufgebaute Herleitung von Backpropagation, die ihrem Titel gerecht wird, ohne auf Hype angewiesen zu sein.
-
18
Why Does Diffusion Work Better than Auto-Regression?
0:0020:18- Dichte
- 79
- Füllmaterial
- 32%
- Nützlich ab
- 0:32
Eine fundierte, originelle Erklärung, warum Diffusionsmodelle Bilder schneller generieren als autoregressive Modelle — das Ansehen wirklich wert.
-
19
The Essential Main Ideas of Neural Networks
0:0018:54- Dichte
- 76
- Füllmaterial
- 29%
- Nützlich ab
- 1:54
Ein seltener, vollständig durchgerechneter Durchgang durch die tatsächliche Mathematik in einem neuronalen Netz — StatQuest in seiner klarsten Form.
-
20
Deep RL Bootcamp Lecture 4B Policy Gradients Revisited
0:0034:55- Dichte
- 76
- Füllmaterial
- 28%
- Nützlich ab
- 1:08
Ein hervorragender, intuitiver Tiefeneinblick in Policy Gradients mit einer echten Code-Durchsprache – lehrt wirklich etwas, ohne dass etwas verkauft wird.
-
21
Flow-Matching vs Diffusion Models explained side by side
0:0016:08- Dichte
- 75
- Füllmaterial
- 32%
- Nützlich ab
- 0:33
Eine dichte, gut strukturierte technische Aufschlüsselung, die genau das liefert, was der Titel verspricht: Diffusion vs.
-
22
Diffusion Models | DDPM Explained
0:0029:29- Dichte
- 81
- Füllmaterial
- 20%
- Nützlich ab
- 1:18
Eine rigorose, selbst hergeleitete Durchsicht der DDPM-Mathematik, die ihrem Titel 'Explained' mit echter Tiefe gerecht wird und nicht nur das Paper wiedergibt.
-
23
Diffusion Models: DDPM | Generative AI Animated
0:0032:06- Dichte
- 79
- Füllmaterial
- 22%
- Nützlich ab
- 1:37
Eine dichte, aber wirklich fundierte Herleitung von DDPM von der Theorie bis zum lauffähigen Code – eine der klareren Tiefenerklärungen zu diesem Thema.
-
24
Diffusion Models From Scratch | Score-Based Generative Models Explained | Math Explained
0:0038:11- Dichte
- 79
- Füllmaterial
- 27%
- Nützlich ab
- 1:20
Ein rigoroser, herleitungslastiger Durchgang, der wirklich erklärt, woher die Gleichungen der Diffusionsmodelle stammen, nicht nur, was sie sind.
-
25
The AI Progress Chart Everyone Is Misreading — Beth Barnes & David Rein
0:001:53:27- Dichte
- 78
- Füllmaterial
- 28%
- Nützlich ab
- 3:58
A rare, unusually candid deep-dive by the researchers themselves into how the AI 'progress chart' is built, where it breaks, and why the public keeps over-reading it.
Gistil's own measurement. Not a YouTube rating, and not the channel's position. Die Reihenfolge ist unsere; die Videos gehören ihren Kanälen.
Wie diese Reihenfolge zustande kommt
Jedes Video hier wurde an denselben Achsen gemessen — wie viel seiner Laufzeit Information trägt, wie viel Füllmaterial ist und in welcher Sekunde es sich zu lohnen beginnt. Geordnet wird nach Nutzdichte, nicht nach Aufrufen, Aktualität oder danach, wie gut uns der Kanal gefiel. Was die Zahlen bedeuten →