[轉貼]Deep Learning（深度学习）学习笔记整理系列

由於目前對於深度學習、類神經網路、機器學習等領域的知識還不夠熟悉

所以上網搜尋了一陣子關於這些領域的相關文章

想找到比較能夠深入淺出解釋這個領域的文章

經過一番查找後

找到由中國網友 Zouxy所寫的"Deep Learning（深度学习）学习笔记整理系列"的文章

相信對於之後自己在表達以及撰寫相關程式以及說明文件

能夠以簡單明瞭的方式解釋這個對於外人來說較為難以理解的領域知識


我始終相信

要能夠當一個好的領導人

能夠化繁為簡，以簡馭繁

是必備的能力之一

-------------------------------------------------------------------------------------------------

Deep Learning 其實就是一種非監督式的特徵學習方法(Unsupervised Feature Learning)

以下是針對各篇所做的一個小小的簡介

Deep Learning（深度学习）学习笔记整理系列之（一）

簡介 : 基本概念解說，解釋人的視覺系統如何透過學習辨識事物，將此概念類比至機器視覺(像素、邊緣、樣型) 與類神經網路(多層學習層)的概念。


Deep Learning（深度学习）学习笔记整理系列之（二）

簡介 : 介紹影像中的特徵(Feature)。特徵能夠做為分類的判斷依據，也是進行機器學習(Machine Learning)的原材料。

有趣的地方在於，文章中提及許多複雜的圖像，都是由許多不同類別的簡單特徵(例如，特定方向的邊緣)，依據特定比例或權重所組成。

這個現象在工程數學中的拉式轉換、傅利葉轉換、聲學等不同的領域中出現，例如由賽車引擎所發出的轟鳴聲，其實是由許多不同頻率與震幅的聲波信號所組成。當然，在語言中也是類似的現象，單純的字並沒有特定意義，但是若把它組成詞彙、成語、句子、文章，便賦予它截然不同的生命在其中。

Deep Learning（深度学习）学习笔记整理系列之（三）

簡介 : 深度學習(Deep learning) 與 機器學習和類神經網路中的知識有著許多相似的地方。原來深度學習與類神經網路是由機器學習領域中所延伸出來的知識。而深度學習則是屬於多層的人工神經網路。

類神經網路中的倒傳遞(Back propagation)方法的出現雖然讓類神經網路展開了新的研究方向，但是，類神經網路也不是完全沒有缺點，因此深度學習則針對這點進行改良。

引自原文

deep learning训练过程具体如下

• 1）使用自下上升非监督学习(就是从底层开始，一层一层的往顶层训练)
• 2）自顶向下的监督学习(就是通过带标签的数据去训练，误差自顶向下传输，对网络进行微调)

以下幾篇都是針對 Deep learning 常用的模型或方法

Deep Learning（深度学习）学习笔记整理系列之（四）

Deep Learning（深度学习）学习笔记整理系列之（五）

簡介 : 稀疏演算法介紹 Sparse Coding

Deep Learning（深度学习）学习笔记整理系列之（六）

簡介 : 限制波兹曼機器  Restricted Boltzmann Machine (RBM)

Deep Learning（深度学习）学习笔记整理系列之（七）

簡介 : 捲積神經網路 Convolutional Neural Networks，大大加快運算速度


最後的總結與展望，附上相關領域專家的資訊

Deep Learning（深度学习）学习笔记整理系列之（八）