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TheanoTheano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:

  1. Logistic回归 -使用Theano简单的东西
  2. 多层感知 -介绍层
  3. 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。

你可能感兴趣的:(深度学习教程)