深度學(xué)習(xí)是機(jī)器學(xué)習(xí)研究中的一個(gè)新的領(lǐng)域，其動(dòng)機(jī)在于建立、模擬人腦進(jìn)行分析學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)，它模仿人腦的機(jī)制來解釋數(shù)據(jù)，例如圖像，聲音和文本。深度學(xué)習(xí)是無監(jiān)督學(xué)習(xí)的一種。

深度學(xué)習(xí)的概念源于人工神經(jīng)網(wǎng)絡(luò)的研究。含多隱層的多層感知器就是一種深度學(xué)習(xí)結(jié)構(gòu)。深度學(xué)習(xí)通過組合低層特征形成更加抽象的高層表示屬性類別或特征，以發(fā)現(xiàn)數(shù)據(jù)的分布式特征表示。

《Deep Learning(深度學(xué)習(xí))學(xué)習(xí)筆記整理》是整理自網(wǎng)上很大牛和機(jī)器學(xué)習(xí)專家所無私奉獻(xiàn)的資料的。

目錄

一、概述
二、背景
三、人腦視覺機(jī)理
四、關(guān)于特征
       4.1、特征表示的粒度
       4.2、初級（淺層）特征表示
       4.3、結(jié)構(gòu)性特征表示
       4.4、需要有多少個(gè)特征？
五、Deep Learning的基本思想
六、淺層學(xué)習(xí)（Shallow Learning）和深度學(xué)習(xí)（Deep Learning）
七、Deep learning與Neural Network
八、Deep learning訓(xùn)練過程
       8.1、傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練方法
       8.2、deep learning訓(xùn)練過程
九、Deep Learning的常用模型或者方法
       9.1、AutoEncoder自動(dòng)編碼器
       9.2、Sparse Coding稀疏編碼
       9.3、Restricted Boltzmann Machine(RBM)限制波爾茲曼機(jī)
       9.4、Deep BeliefNetworks深信度網(wǎng)絡(luò)
       9.5、Convolutional Neural Networks卷積神經(jīng)網(wǎng)絡(luò)
十、總結(jié)與展望
十一、參考文獻(xiàn)和Deep Learning學(xué)習(xí)資源