深度学习教程

深度学习教程¶

深学习是机器学习研究，已引入了移动机器学习更接近其原来的目标之一为目标的新领域：人工智能。看到这些课程笔记一简要介绍机器学习的AI
和介绍了深学习算法。

深度学习是关于学习的代表性和抽象的多层次，有助于使诸如图像，声音和文本数据的意义。欲了解更多有关深学习算法，参见例如：

专着或论文评审学习的AI深体系结构（基础及发展趋势在机器学习，2009年）。

在学习功能层次的ICML 2009年研讨会的网页有一个参考的列表。

莉萨公开的维基有一个阅读清单和参考书目。

杰夫·韩丁有读数从2009年的NIPS教程。

这里介绍的教程将介绍一些最重要的深度学习算法，也将告诉你如何使用运行它们Theano。Theano是一个Python库，使得容易写深度学习模型，并给出了训练他们在GPU上的选项。

该算法的教程有一些先决条件。你应该知道一些Python，并熟悉numpy的。因为这个教程是关于使用Theano，你应该阅读过Theano基础教程第一。一旦你做到这一点，请阅读我们的入门篇-介绍了记号，并在算法使用教程[下载]的数据集，我们通过随机梯度下降优化的方式。

纯粹的监督学习算法旨在以被读取：

Logistic回归 -使用Theano简单的东西

多层感知 -介绍层

深卷积网 - LeNet5的简化版本

无监督和半监督学习算法，可以以任意顺序（自动编码器可以读取独立于RBM / DBN线程）读取：

自动编码器，降噪Autoencoders - autoencoders的说明

堆叠降噪自动编码器 -简单的步骤进入深网无监督前培训

受限玻尔兹曼机 -单层生成RBM模型

深信念网络 -叠RBMS的无监督生成前培训后监督微调

对包括mcRBM模型的基础上，我们对能源车型采样新教程：

HMC取样 -混合动力（又名汉密尔顿）蒙特卡洛采样与扫描（）

对包括压缩型自动编码器教程的基础上，我们的代码现在：

收缩自动编码器代码-有一个在代码中的一些基本的文档。

递归神经网络与字嵌入和上下文窗口：

使用回归神经网络的语音语义分析

LSTM网络情感分析：

LSTM网络

能源为基础的回归神经网络（RNN-RBM）：

和弦音乐建模与生成序列

请注意，这里的教程都与Python 2和3兼容的除外建模和和弦音乐的生成序列与RNN-RBM这是唯一可用的Python 2。