http://www.zhizihua.com/blog/post/602.html

說明：本教程將闡述無監督特征學習和深度學習的主要觀點。通過學習，你也將實現多個功能學習/深度學習算法，能看到它們為你工作，并學習如何應用/適應這些想法到新問題上。

本教程假定機器學習的基本知識（特別是熟悉的監督學習，邏輯回歸，梯度下降的想法），如果你不熟悉這些想法，我們建議你去這里

機器學習課程，并先完成第II，III，IV章（到邏輯回歸）

稀疏自編碼器

• 神經網絡

• 反向傳導算法

• 梯度檢驗與高級優化

• 自編碼算法與稀疏性

• 可視化自編碼器訓練結果

• 稀疏自編碼器符號一覽表

• Exercise:Sparse Autoencoder

矢量化編程實現

• 矢量化編程

• 邏輯回歸的向量化實現樣例

• 神經網絡向量化

• Exercise:Vectorization

預處理：主成分分析與白化

• 主成分分析

• 白化

• 實現主成分分析和白化

• Exercise:PCA in 2D

• Exercise:PCA and Whitening

Softmax回歸

• Softmax回歸

• Exercise:Softmax Regression

自我學習與無監督特征學習

• 自我學習

• Exercise:Self-Taught Learning

建立分類用深度網絡

• 從自我學習到深層網絡

• 深度網絡概覽

• 棧式自編碼算法

• 微調多層自編碼算法

• Exercise: Implement deep networks for digit classification

自編碼線性解碼器

• 線性解碼器

• Exercise:Learning color features with Sparse Autoencoders

處理大型圖像

• 卷積特征提取

• 池化

• Exercise:Convolution and Pooling

?

---

注意: 這條線以上的章節是穩定的。下面的章節仍在建設中，如有變更，恕不另行通知。請隨意瀏覽周圍并歡迎提交反饋/建議。

混雜的

• MATLAB Modules

• Style Guide

• Useful Links

混雜的主題

• 數據預處理

• 用反向傳導思想求導

進階主題:

稀疏編碼

• 稀疏編碼

• 稀疏編碼自編碼表達

• Exercise:Sparse Coding

獨立成分分析樣式建模

• 獨立成分分析

• Exercise:Independent Component Analysis

其它

• Convolutional training

• Restricted Boltzmann Machines

• Deep Belief Networks

• Denoising Autoencoders

• K-means

• Spatial pyramids / Multiscale

• Slow Feature Analysis

• Tiled Convolution Networks

?

---

英文原文作者: Andrew Ng, Jiquan Ngiam, Chuan Yu Foo, Yifan Mai, Caroline Suen

?

原文：http://deeplearning.stanford.edu/wiki/index.php/UFLDL%E6%95%99%E7%A8%8B

轉載于:https://www.cnblogs.com/DjangoBlog/p/3867674.html

總結

以上是生活随笔為你收集整理的Deep Learning 教程（斯坦福深度学习研究团队）的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。