Scaffale misuratoIA e machine learning
AI and machine learning videos, ranked by how much of them is useful
- Riempitivo mediano
- 37%
- La parte utile inizia
- 1:08
- Durata tipica
- 24 min
ultimo ricalcolo 16 set 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- Densità
- 84
- Riempitivo
- 27%
- Utile da
- 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- Densità
- 84
- Riempitivo
- 24%
- Utile da
- 1:41
Una lezione magistrale che costruisce il concetto di convoluzione partendo dalle probabilità dei dadi fino a un algoritmo FFT O(n log n) genuinamente sorprendente.
-
03
Attention in transformers, step-by-step | Deep Learning Chapter 6
0:0026:10- Densità
- 83
- Riempitivo
- 21%
- Utile da
- 1:40
Una spiegazione magistralmente chiara e densa del meccanismo di attenzione, che ripaga chi guarda con attenzione con una comprensione tecnica reale.
-
04
But what is a neural network? | Deep learning chapter 1
0:0018:40- Densità
- 81
- Riempitivo
- 26%
- Utile da
- 2:39
Una spiegazione rara, davvero da zero, rigorosa e riproducibile di cosa sia effettivamente la matematica di una rete neurale.
-
05
Transformers, the tech behind LLMs | Deep Learning Chapter 5
0:0027:14- Densità
- 80
- Riempitivo
- 26%
- Utile da
- 1:26
Un'introduzione magistrale ai meccanismi interni dei transformer — densa, rigorosa ed esattamente ciò che il titolo promette.
-
06
Deep Dive into LLMs like ChatGPT
0:003:31:24- Densità
- 82
- Riempitivo
- 27%
- Utile da
- 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- Densità
- 82
- Riempitivo
- 35%
- Utile da
- 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- Densità
- 82
- Riempitivo
- 22%
- Utile da
- 3:28
Una spiegazione densa e fondata sulla fisica che insegna davvero come i modelli di diffusione e CLIP si combinano per generare immagini e video con l'IA — contenuto tecnico raro e di grande…
-
09
But what is quantum computing? (Grover's Algorithm)
0:0036:54- Densità
- 82
- Riempitivo
- 24%
- Utile da
- 0:52
Un approfondimento rigoroso e onesto che costruisce l'algoritmo di Grover dai principi primi — 3Blue1Brown al suo meglio.
-
10
What is backpropagation really doing? | Deep learning chapter 3
0:0012:47- Densità
- 80
- Riempitivo
- 33%
- Utile da
- 0:53
Una lezione magistrale nel costruire un'intuizione autentica della backpropagation senza una sola formula — didattica di altissimo livello.
-
11
[1hr Talk] Intro to Large Language Models
0:0059:48- Densità
- 80
- Riempitivo
- 25%
- Utile da
- 3:31
Una spiegazione densa, senza pubblicità e da masterclass su come vengono costruiti, usati e attaccati gli LLM — tra i migliori video educativi generali sull'IA disponibili.
-
12
Backpropagation calculus | Deep Learning Chapter 4
0:0010:18- Densità
- 80
- Riempitivo
- 25%
- Utile da
- 0:32
Una derivazione rigorosa e serrata della matematica della regola della catena nella retropropagazione — densa, duratura, esattamente ciò che promette il titolo.
-
13
Gradient descent, how neural networks learn | Deep Learning Chapter 2
0:0020:33- Densità
- 79
- Riempitivo
- 28%
- Utile da
- 1:52
Una lezione magistrale nel costruire un'intuizione autentica della discesa del gradiente, onesta sui limiti reali del metodo.
-
14
Transformer Neural Networks, ChatGPT's foundation, Clearly Explained!!!
0:0036:15- Densità
- 79
- Riempitivo
- 23%
- Utile da
- 1:20
Una spiegazione rigorosa e basata su numeri concreti degli aspetti interni dei transformer che insegna davvero come funzionano i modelli in stile ChatGPT, non solo cosa fanno.
-
15
Let's build the GPT Tokenizer
0:002:13:35- Densità
- 82
- Riempitivo
- 31%
- Utile da
- 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- Densità
- 82
- Riempitivo
- 22%
- Utile da
- 0:58
Una spiegazione rigorosa e autosufficiente di come i blocchi MLP dei transformer potrebbero codificare fatti, coronata da un'analisi genuinamente illuminante della sovrapposizione e della…
-
17
The Most Important Algorithm in Machine Learning
0:0040:08- Densità
- 78
- Riempitivo
- 27%
- Utile da
- 1:28
Una derivazione rigorosa e costruita da zero della retropropagazione che si guadagna il suo titolo senza bisogno di clamore.
-
18
Why Does Diffusion Work Better than Auto-Regression?
0:0020:18- Densità
- 79
- Riempitivo
- 32%
- Utile da
- 0:32
Una spiegazione rigorosa e originale del perché i modelli di diffusione generano immagini più velocemente di quelli auto-regressivi — vale davvero la pena guardarlo.
-
19
The Essential Main Ideas of Neural Networks
0:0018:54- Densità
- 76
- Riempitivo
- 29%
- Utile da
- 1:54
Una rara spiegazione completamente svolta della matematica reale dentro una rete neurale — StatQuest al massimo della chiarezza.
-
20
Deep RL Bootcamp Lecture 4B Policy Gradients Revisited
0:0034:55- Densità
- 76
- Riempitivo
- 28%
- Utile da
- 1:08
Un approfondimento eccellente e intuitivo sui policy gradient, con una vera analisi del codice — insegna davvero, senza vendere nulla.
-
21
Flow-Matching vs Diffusion Models explained side by side
0:0016:08- Densità
- 75
- Riempitivo
- 32%
- Utile da
- 0:33
Un'analisi tecnica densa e ben strutturata che offre esattamente ciò che promette il titolo: diffusione contro flow matching, matematica compresa.
-
22
Diffusion Models | DDPM Explained
0:0029:29- Densità
- 81
- Riempitivo
- 20%
- Utile da
- 1:18
Una trattazione rigorosa e derivata passo passo della matematica del DDPM, che merita davvero il titolo 'explained' grazie a una profondità reale, non una semplice riformulazione del paper.
-
23
Diffusion Models: DDPM | Generative AI Animated
0:0032:06- Densità
- 79
- Riempitivo
- 22%
- Utile da
- 1:37
Una derivazione densa ma genuinamente rigorosa di DDPM dalla teoria al codice funzionante — una delle spiegazioni approfondite più chiare sull'argomento.
-
24
Diffusion Models From Scratch | Score-Based Generative Models Explained | Math Explained
0:0038:11- Densità
- 79
- Riempitivo
- 27%
- Utile da
- 1:20
Una trattazione rigorosa e ricca di derivazioni che spiega davvero da dove provengono le equazioni dei modelli di diffusione, non si limita a descriverle.
-
25
The AI Progress Chart Everyone Is Misreading — Beth Barnes & David Rein
0:001:53:27- Densità
- 78
- Riempitivo
- 28%
- Utile da
- 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. La classifica è nostra; i video appartengono ai rispettivi canali.
Come viene decisa questa classifica
Ogni video qui è stato misurato sugli stessi parametri — quanto della sua durata porta informazioni, quanto è riempitivo, e il secondo in cui inizia a ripagare. L'ordine è dato dalla densità di valore, non dalle visualizzazioni, dalla recenza o da quanto ci piaceva il canale. Cosa significano i numeri →