深度学习教程
UFLDL教程
From Ufldl
Jump to: navigation, search说明：本教程将阐述无监督特征学习和深度学习的主要观点。通过学习，你也将实现多个功能学习/深度学习算法，能看到它们为你工作，并学习如何应用/适应这些想法到新问题上。
本教程假定机器学习的基本知识（特别是熟悉的监督学习，逻辑回归，梯度下降的想法），如果你不熟悉这些想法，我们建议你去这里
机器学习课程，并先完成第II，III，IV章（到逻辑回归）。
稀疏自编码器
- 神经网络
- 反向传导算法
- 梯度检验与高级优化
- 自编码算法与稀疏性
- 可视化自编码器训练结果
- 稀疏自编码器符号一览表
- Exercise:Sparse Autoencoder
矢量化编程实现
- 矢量化编程
- 逻辑回归的向量化实现样例
- 神经网络向量化
- Exercise:Vectorization
预处理：主成分分析与白化
- 主成分分析
- 白化
- 实现主成分分析和白化
- Exercise:PCA in 2D
- Exercise:PCA and Whitening
Softmax回归
- Softmax回归
- Exercise:Softmax Regression
自我学习与无监督特征学习
- 自我学习
- Exercise:Self-Taught Learning
建立分类用深度网络
- 从自我学习到深层网络
- 深度网络概览
- 栈式自编码算法
- 微调多层自编码算法
- Exercise: Implement deep networks for digit classification
自编码线性解码器
- 线性解码器
- Exercise:Learning color features with Sparse Autoencoders
处理大型图像
- 卷积特征提取
- 池化
- Exercise:Convolution and Pooling
注意: 这条线以上的章节是稳定的。下面的章节仍在建设中，如有变更，恕不另行通知。请随意浏览周围并欢迎提交反馈/建议。
混杂的
- MATLAB Modules
- Style Guide
- Useful Links
混杂的主题
- 数据预处理
- 用反向传导思想求导
进阶主题:
稀疏编码
- 稀疏编码
- 稀疏编码自编码表达
- Exercise:Sparse Coding
独立成分分析样式建模
- 独立成分分析
- 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
Language : English
Retrieved from "http://deeplearning.stanford.edu/wiki/index.php/UFLDL%E6%95%99%E7%A8%8B"Views
- Page
- Discussion
- View source
- History
Personal tools
- Log in
ufldl resources
- UFLDL Tutorial
- Recommended Readings
wiki
- Main page
- Recent changes
- Random page
- Help
Search
Toolbox
- What links here
- Related changes
- Special pages
- Printable version
- Permanent link
- This page was last modified on 10 April 2013, at 00:26.
- This page has been accessed 170,065 times.
- Privacy policy
- About Ufldl
- Disclaimers
总结
- 上一篇： 常用的图像特征颜色特征、纹理特征、形状特
- 下一篇： 基于稀疏表示的人脸识别 (SRC,LAS