Estante medidoIA y aprendizaje automático
AI and machine learning videos, ranked by how much of them is useful
- Relleno mediano
- 37%
- La parte útil empieza
- 1:08
- Duración típica
- 24 min
última recalculación 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- Densidad
- 84
- Relleno
- 27%
- Útil desde
- 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- Densidad
- 84
- Relleno
- 24%
- Útil desde
- 1:41
Una clase magistral sobre convolución, desde las probabilidades de los dados hasta un algoritmo FFT de O(n log n) genuinamente sorprendente.
-
03
Attention in transformers, step-by-step | Deep Learning Chapter 6
0:0026:10- Densidad
- 83
- Relleno
- 21%
- Útil desde
- 1:40
Un recorrido magistralmente claro y denso por el mecanismo de atención que recompensa una visualización atenta con una comprensión técnica real.
-
04
But what is a neural network? | Deep learning chapter 1
0:0018:40- Densidad
- 81
- Relleno
- 26%
- Útil desde
- 2:39
Una explicación poco común, verdaderamente construida desde cero, rigurosa y re-derivable de lo que realmente es la matemática de una red neuronal.
-
05
Transformers, the tech behind LLMs | Deep Learning Chapter 5
0:0027:14- Densidad
- 80
- Relleno
- 26%
- Útil desde
- 1:26
Una introducción magistral sobre el funcionamiento interno de los transformadores: densa, rigurosa y exactamente lo que promete su título.
-
06
Deep Dive into LLMs like ChatGPT
0:003:31:24- Densidad
- 82
- Relleno
- 27%
- Útil desde
- 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- Densidad
- 82
- Relleno
- 35%
- Útil desde
- 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- Densidad
- 82
- Relleno
- 22%
- Útil desde
- 3:28
Una explicación densa y fundamentada en física que realmente enseña cómo se combinan los modelos de difusión y CLIP para generar imágenes y video con IA: contenido técnico poco común y de…
-
09
But what is quantum computing? (Grover's Algorithm)
0:0036:54- Densidad
- 82
- Relleno
- 24%
- Útil desde
- 0:52
Una inmersión profunda, rigurosa y honesta que construye el algoritmo de Grover desde primeros principios: 3Blue1Brown en su mejor forma.
-
10
What is backpropagation really doing? | Deep learning chapter 3
0:0012:47- Densidad
- 80
- Relleno
- 33%
- Útil desde
- 0:53
Una clase magistral para construir una intuición genuina sobre la retropropagación sin una sola fórmula: educación de primer nivel.
-
11
[1hr Talk] Intro to Large Language Models
0:0059:48- Densidad
- 80
- Relleno
- 25%
- Útil desde
- 3:31
Una explicación densa, sin publicidad y de nivel magistral de cómo se construyen, usan y atacan los LLM — entre los mejores videos educativos generales sobre IA disponibles.
-
12
Backpropagation calculus | Deep Learning Chapter 4
0:0010:18- Densidad
- 80
- Relleno
- 25%
- Útil desde
- 0:32
Una derivación precisa y rigurosa de las matemáticas de la regla de la cadena en la retropropagación: densa, perdurable y exactamente lo que promete el título.
-
13
Gradient descent, how neural networks learn | Deep Learning Chapter 2
0:0020:33- Densidad
- 79
- Relleno
- 28%
- Útil desde
- 1:52
Una clase magistral para construir una intuición genuina sobre el descenso de gradiente, honesta sobre las limitaciones reales del método.
-
14
Transformer Neural Networks, ChatGPT's foundation, Clearly Explained!!!
0:0036:15- Densidad
- 79
- Relleno
- 23%
- Útil desde
- 1:20
Un recorrido riguroso con números reales por el funcionamiento interno de los transformers, que realmente enseña cómo funcionan los modelos tipo ChatGPT, y no solo qué hacen.
-
15
Let's build the GPT Tokenizer
0:002:13:35- Densidad
- 82
- Relleno
- 31%
- Útil desde
- 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- Densidad
- 82
- Relleno
- 22%
- Útil desde
- 0:58
Un recorrido riguroso y autocontenido sobre cómo los bloques MLP de un transformador podrían codificar hechos, coronado por una inmersión genuinamente esclarecedora en la superposición y la…
-
17
The Most Important Algorithm in Machine Learning
0:0040:08- Densidad
- 78
- Relleno
- 27%
- Útil desde
- 1:28
Una derivación rigurosa y desde cero de la retropropagación que justifica su título sin necesidad de exageraciones.
-
18
Why Does Diffusion Work Better than Auto-Regression?
0:0020:18- Densidad
- 79
- Relleno
- 32%
- Útil desde
- 0:32
Una explicación rigurosa y original de por qué los modelos de difusión generan imágenes más rápido que los autorregresivos; realmente vale la pena verlo.
-
19
The Essential Main Ideas of Neural Networks
0:0018:54- Densidad
- 76
- Relleno
- 29%
- Útil desde
- 1:54
Un recorrido poco común y completamente desarrollado de las matemáticas reales dentro de una red neuronal: StatQuest en su forma más clara.
-
20
Deep RL Bootcamp Lecture 4B Policy Gradients Revisited
0:0034:55- Densidad
- 76
- Relleno
- 28%
- Útil desde
- 1:08
Una profundización magnífica e intuitiva en los gradientes de política con un recorrido de código real: enseña de verdad, sin nada que vender.
-
21
Flow-Matching vs Diffusion Models explained side by side
0:0016:08- Densidad
- 75
- Relleno
- 32%
- Útil desde
- 0:33
Un desglose técnico denso y bien estructurado que cumple exactamente lo que promete su título: difusión frente a flow matching, con todas sus matemáticas.
-
22
Diffusion Models | DDPM Explained
0:0029:29- Densidad
- 81
- Relleno
- 20%
- Útil desde
- 1:18
Un recorrido riguroso y derivado desde cero de las matemáticas de DDPM que hace honor a su título de 'explicado' con profundidad real, no solo una repetición del paper.
-
23
Diffusion Models: DDPM | Generative AI Animated
0:0032:06- Densidad
- 79
- Relleno
- 22%
- Útil desde
- 1:37
Una derivación densa pero genuinamente rigurosa de DDPM, desde la teoría hasta el código funcional: una de las explicaciones profundas más claras sobre el tema.
-
24
Diffusion Models From Scratch | Score-Based Generative Models Explained | Math Explained
0:0038:11- Densidad
- 79
- Relleno
- 27%
- Útil desde
- 1:20
Un recorrido riguroso y centrado en la derivación que explica genuinamente de dónde vienen las ecuaciones de los modelos de difusión, no solo qué son.
-
25
The AI Progress Chart Everyone Is Misreading — Beth Barnes & David Rein
0:001:53:27- Densidad
- 78
- Relleno
- 28%
- Útil desde
- 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. El orden es nuestro; los vídeos pertenecen a sus canales.
Cómo se decide este orden
Cada vídeo aquí se midió con los mismos criterios — cuánto de su duración aporta información, cuánto es relleno, y en qué segundo empieza a merecer la pena. El orden es por densidad de valor, no por visitas, actualidad ni cuánto nos gustara el canal. Qué significan los números →