斯坦福機器學習

UFLDL教程

說明：本教程將闡述無監督特徵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，能看到它們爲你工作，並學習如何應用/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，邏輯迴歸，梯度下降的想法），如果你不熟悉這些想法，我們建議你去這裏

機器學習課程，並先完成第II，III，IV章（到邏輯迴歸）。

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
• 邏輯迴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迴歸

• Softmax迴歸
• Exercise:Softmax Regression

自我學習與無監督特徵學習

• 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

• 卷積特徵提取
• 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。請隨意瀏覽周圍並歡迎提交反饋/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