UFLDL教程[斯坦福机器学习课程]
来源:互联网 发布:python 流量 预测 编辑:程序博客网 时间:2024/05/01 22:27
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
- UFLDL教程[斯坦福机器学习课程]
- 斯坦福机器学习课程
- 斯坦福机器学习课程目录
- 斯坦福机器学习在线课程笔记
- 斯坦福机器学习课程笔记(第五讲)
- 斯坦福NG机器学习课程:Dimensionality_reduction笔记
- 斯坦福机器学习课程 Exercise 习题二
- 斯坦福机器学习课程 Exercise 习题三
- 斯坦福机器学习课程 Exercise 习题四
- 机器学习-斯坦福课程系列1【基本概念】
- (斯坦福机器学习课程笔记)EM算法
- 斯坦福机器学习课程笔记1
- UFLDL机器学习 && Andrew Ng-Deep Learning课程
- (斯坦福机器学习课程笔记)牛顿法算法学习
- 斯坦福NG机器学习课程:Anomaly Detection笔记
- 斯坦福机器学习课程笔记week4&5-神经网络
- 机器学习(斯坦福课程2)梯度下降
- (斯坦福机器学习课程笔记)多项式回归练习
- Java 不适合编写桌面应用
- 第六堂课后作业
- 线程与进程的区别
- 简易博客开发
- QT Desiger中的布局管理器
- UFLDL教程[斯坦福机器学习课程]
- C/C++中ASCII与Unicode字符串相互转换
- Java通过JNI调用C/C++函数
- getHibernateTemplate().save ()成功但不能写入数据库 解决方法
- hql分页
- Scrum process as an anime cartoon (过程图示)
- MySql数据类型和Java数据类型对应表
- 解决CentOS在虚拟机里面分辨率小的问题
- ECC与Pairing前沿调研