Playlist Duration

Playlist · Alexander Amini

Uploads from Alexander Amini

by Alexander Amini · 100 videos

Total watch time

3d 2h 30m

at 1× speed · exactly 3 days, 2 hours, 29 minutes, 36 seconds at 1×

At an hour a day you'd finish in 75 days

The shape of the course

100 videos in blocks of 10 · each column is a block's total, to scale

9h 17m
9h 55m
9h 48m
9h 13m
7h 32m
7h 44m
4h 35m
6h 14m
5h 51m
4h 21m

WatchedTo watch

Compare Open on YouTube JSON

Next time, skip the copying: change youtube.com to playlistduration.com in any playlist, video or channel address and it opens here. Or see the total on YouTube itself, with our extension for Chrome, Firefox or Edge.

Your plan

Plan to finish

About 75 days at an hour a day

Pick a daily pace and the days you'll watch. Ticked videos are skipped.

Days

At one hour a day, every day, this playlist takes about 75 days. Turn on JavaScript to plan around your week.

Videos (100)

3d 2h 30m in total · tick what you've watched

Tick videos you've watched — progress is saved in this browser. Titles open on YouTube in a new tab.

Videos to
Watched Leave out of the total
1 MIT 6.S191: Secrets of Massively Parallel Training 52:40 2026-05-25
2 MIT 6.S191: AI for Science 59:10 2026-05-18
3 MIT 6.S191: The Three Laws of AI 51:49 2026-05-11
4 MIT 6.S191: Language Models and New Frontiers 56:17 2026-05-04
5 MIT 6.S191: Reinforcement Learning 59:19 2026-04-27
6 MIT 6.S191: Deep Generative Modeling 49:36 2026-04-20
7 MIT 6.S191: Convolutional Neural Networks 56:46 2026-04-13
8 MIT 6.S191: Recurrent Neural Networks, Transformers, and Attention 57:34 2026-04-06
9 MIT Introduction to Deep Learning | 6.S191 56:16 2026-03-30
10 MIT 6.S191 (2025): AI for Biology (Microsoft) 57:13 2025-05-05
11 MIT 6.S191 (2025): A Hipocratic Oath, for *your* AI (Comet ML) 51:26 2025-04-28
12 MIT 6.S191 (2025): Large Language Models (Liquid AI) 1:08:18 2025-04-21
13 MIT 6.S191 (2025): Large Language Models (Google) 55:52 2025-04-14
14 MIT 6.S191 (2025): Language Models and New Frontiers 47:36 2025-04-07
15 MIT 6.S191 (2025): Reinforcement Learning 1:02:00 2025-03-31
16 MIT 6.S191 (2025): Deep Generative Modeling 48:57 2025-03-24
17 MIT 6.S191 (2025): Convolutional Neural Networks 1:01:04 2025-03-17
18 MIT 6.S191 (2025): Recurrent Neural Networks, Transformers, and Attention 1:01:34 2025-03-10
19 MIT Introduction to Deep Learning (2025) | 6.S191 1:09:26 2025-03-03
20 MIT 6.S191 (2024): Google - Generative AI for Media 1:08:19 2024-06-17
21 MIT 6.S191 (2024): Building AI Models in the Wild 54:57 2024-06-10
22 MIT 6.S191 (2024): Language Models and New Frontiers 56:15 2024-06-03
23 MIT 6.S191 (2024): Reinforcement Learning 1:00:19 2024-05-27
24 MIT 6.S191 (2024): Deep Generative Modeling 56:19 2024-05-20
25 MIT 6.S191 (2024): Convolutional Neural Networks 1:07:58 2024-05-13
26 MIT 6.S191 (2024): Recurrent Neural Networks, Transformers, and Attention 1:01:31 2024-05-06
27 MIT Introduction to Deep Learning (2024) | 6.S191 1:09:58 2024-04-29
28 MIT 6.S191 (2023): The Future of Robot Learning 1:02:42 2023-05-12
29 MIT 6.S191 (2023): The Modern Era of Statistics 53:10 2023-05-05
30 MIT 6.S191 (2023): Text-to-Image Generation 44:36 2023-04-28
31 MIT 6.S191 (2023): Deep Learning New Frontiers 1:08:47 2023-04-22
32 MIT 6.S191 (2023): Reinforcement Learning 57:33 2023-04-14
33 MIT 6.S191 (2023): Robust and Trustworthy Deep Learning 53:50 2023-04-07
34 MIT 6.S191 (2023): Deep Generative Modeling 59:52 2023-03-31
35 MIT 6.S191 (2023): Convolutional Neural Networks 55:15 2023-03-24
36 MIT 6.S191 (2023): Recurrent Neural Networks, Transformers, and Attention 1:02:50 2023-03-17
37 MIT Introduction to Deep Learning (2023) | 6.S191 58:12 2023-03-10
38 MIT 6.S191: Uncertainty in Deep Learning 50:08 2022-05-28
39 MIT 6.S191: AI for Science 44:43 2022-05-13
40 MIT 6.S191: Automatic Speech Recognition 41:44 2022-05-02
41 MIT 6.S191: LiDAR for Autonomous Driving 49:04 2022-04-22
42 MIT 6.S191 (2022): Deep Learning New Frontiers 53:29 2022-04-15
43 MIT 6.S191 (2022): Reinforcement Learning 54:53 2022-04-08
44 MIT 6.S191 (2022): Deep Generative Modeling 54:46 2022-04-01
45 MIT 6.S191 (2022): Convolutional Neural Networks 49:23 2022-03-25
46 MIT 6.S191 (2022): Recurrent Neural Networks and Transformers 58:18 2022-03-18
47 MIT Introduction to Deep Learning (2022) | 6.S191 49:01 2022-03-11
48 LiDAR-Based End-to-End Navigation | ICRA 2021 1:42 2021-05-23
49 MIT 6.S191: AI in Healthcare 33:31 2021-04-23
50 MIT 6.S191: Towards AI for 3D Content Creation 47:59 2021-04-16
51 MIT 6.S191: Taming Dataset Bias via Domain Adaptation 42:51 2021-04-09
52 MIT 6.S191: Deep CPCFG for Information Extraction 40:58 2021-04-02
53 MIT 6.S191: AI Bias and Fairness 43:22 2021-03-26
54 Co-Learning of Task and Sensor Placement for Soft Robotics (Teaser) 1:20 2021-03-22
55 MIT 6.S191: Evidential Deep Learning and Uncertainty 48:52 2021-03-19
56 MIT 6.S191 (2021): Deep Learning New Frontiers 50:46 2021-03-12
57 MIT 6.S191 (2021): Reinforcement Learning 57:08 2021-03-05
58 MIT 6.S191 (2021): Deep Generative Modeling 1:01:54 2021-02-26
59 MIT 6.S191 (2021): Convolutional Neural Networks 55:57 2021-02-19
60 MIT 6.S191 (2021): Recurrent Neural Networks 1:00:31 2021-02-12
61 MIT 6.S191 (2021): Introduction to Deep Learning 56:36 2021-02-05
62 MIT Deep Learning 6.S191 Teaser 1:11 2021-01-04
63 Learning Autonomous Driving in Simulation 3:06 2020-09-02
64 Learning Robust Control Policies for End-to-End Driving in Simulation | RA-L/ICRA 2020 9:59 2020-06-09
65 MIT 6.S191 (2020): Machine Learning for Scent 38:52 2020-04-10
66 MIT 6.S191 (2020): Neural Rendering 36:44 2020-04-03
67 MIT 6.S191 (2020): Generalizable Autonomy for Robot Manipulation 47:00 2020-03-27
68 MIT 6.S191 (2020): Neurosymbolic AI 41:10 2020-03-20
69 MIT 6.S191 (2020): Deep Learning New Frontiers 38:10 2020-03-13
70 MIT Autonomous Vehicle: Learning Robust Sim-to-Real Control Policies 1:57 2020-03-10
71 MIT 6.S191 (2020): Reinforcement Learning 44:11 2020-03-06
72 MIT 6.S191 (2020): Deep Generative Modeling 40:40 2020-02-28
73 MIT 6.S191 (2020): Convolutional Neural Networks 37:20 2020-02-21
74 MIT 6.S191 (2020): Recurrent Neural Networks 45:28 2020-02-14
75 Barack Obama: Intro to Deep Learning | MIT 6.S191 1:50 2020-02-10
76 MIT 6.S191 (2020): Introduction to Deep Learning 52:52 2020-02-08
77 MIT 6.S191 (2019): Visualization for Machine Learning (Google Brain) 37:40 2019-03-20
78 MIT 6.S191 (2019): Image Domain Transfer (NVIDIA) 46:33 2019-02-21
79 MIT 6.S191 (2019): Biologically Inspired Neural Networks (IBM) 31:30 2019-02-19
80 MIT 6.S191 (2019): Deep Learning Limitations and New Frontiers 36:21 2019-02-14
81 MIT 6.S191 (2019): Deep Reinforcement Learning 44:53 2019-02-13
82 MIT 6.S191 (2019): Deep Generative Modeling 43:44 2019-02-11
83 MIT 6.S191 (2019): Convolutional Neural Networks 41:17 2019-02-11
84 MIT 6.S191 (2019): Recurrent Neural Networks 36:31 2019-02-08
85 MIT 6.S191 (2019): Introduction to Deep Learning 45:28 2019-02-07
86 Variational End-to-End Navigation and Localization 2:08 2018-11-27
87 GTC 2018: Learning Steering for Parallel Autonomy. Alexander Amini 43:16 2018-04-16
88 MIT 6.S191 (2018): Computer Vision Meets Social Networks 33:58 2018-03-28
89 MIT 6.S191 (2018): Sequence Modeling with Neural Networks 27:13 2018-03-13
90 MIT 6.S191 (2018): Deep Learning - A Personal Perspective 32:56 2018-02-15
91 MIT 6.S191 (2018): Beyond Deep Learning: Learning+Reasoning 32:21 2018-02-12
92 MIT 6.S191 (2018): Faster ML Development with TensorFlow 19:20 2018-02-08
93 MIT 6.S191 (2018): Issues in Image Classification 17:19 2018-02-08
94 MIT 6.S191 (2018): Deep Learning Limitations and New Frontiers 31:37 2018-02-06
95 MIT 6.S191 (2018): Deep Reinforcement Learning 32:49 2018-02-06
96 MIT 6.S191 (2018): Deep Generative Modeling 44:07 2018-02-05
97 MIT 6.S191 (2018): Convolutional Neural Networks 35:10 2018-02-05
98 MIT 6.S191 (2018): Introduction to Deep Learning 42:40 2018-02-02
99 Alexander Amini Explaining His Project During EUCYS 2011 0:46 2012-01-28
100 Alexander Amini - Nationwide TV 5:17 2012-01-21
For your README

Embed a badge

Show the watch time in a README or course description — it links back here and updates itself

Watch time: 3d 2h 30m · 100 videos

Markdown
[![Watch time: 3d 2h 30m · 100 videos](https://playlistduration.com/badge/playlist/UUtslD4DGH6PKyG_1gFAX7sg.svg)](https://playlistduration.com/playlist/UUtslD4DGH6PKyG_1gFAX7sg)
HTML
<a href="https://playlistduration.com/playlist/UUtslD4DGH6PKyG_1gFAX7sg"><img src="https://playlistduration.com/badge/playlist/UUtslD4DGH6PKyG_1gFAX7sg.svg" alt="Watch time: 3d 2h 30m · 100 videos" width="228" height="20"></a>

Add ?speed=1.5 to the image URL for the time at that speed, ?label=Course to change the left text, or ?style=flat-square for square corners.

Want the numbers themselves? GET https://playlistduration.com/api/v1/playlist/UUtslD4DGH6PKyG_1gFAX7sg returns them as JSON — free, no key. API docs →

Data from the YouTube Data API as of 2026-11-09 (cached). Private or deleted videos are excluded from totals.