AI 与机器学习deeplearning.stanford.edu
斯坦福无监督深度学习教程（2014）
Stanford Unsupervised Deep Learning Tutorial (2014)
2015 — 2017，它一次次回到首页
黑点是上首页（≥ 50 分）的那次投稿，空心点是没冲上去的投稿，点越大分数越高。
导读
斯坦福的无监督特征学习与深度学习（UFLDL）教程在线版，系统讲解自编码器、稀疏编码等无监督特征学习方法，并配有可动手完成的编程练习。教程内容大致定型于 2010 年前后，属于深度学习复兴早期那批经典教学材料。
为什么经久不衰：它把当年推动深度学习复兴的核心概念讲得清楚、练得扎实，是理解表示学习来龙去脉的经典起点。
HN 评论精选
稀疏自编码器练习至今仍有价值，但已被忽视。
几年前教程还叫 UFLDL 时，我把每一道练习都做完了。稀疏自编码器那道是我的最爱，我认为它今天依然相关，只是这个概念后来有些被忽视了。
hardmaru查看英文原文
I've gone through every exercise from previous version of the stanford tutorial a few year's ago, when it was called the UFLDL tutorial. The sparse autoencoder (http://ufldl.stanford.edu/wiki/index.php/Exercise:Sparse_Autoencoder) exercise has been my favourite one, and I think one that is still relevant today, but became a somewhat ignored concept.
质疑教程内容的时间新旧。
这是什么时候的材料？参考文献里最后一篇论文是 2010 年的。
aaronjg查看英文原文
When is this from? The last paper in the reference is 2010.
指出标题与原始标题不符。
原文标题里根本没有“Unsupervised”这个词，你为什么加上去？
imjustsaying查看英文原文
Why did you add the word "Unsupervised" when it wasn't contained in the original text?
推荐配套的 CS231n、CS224d 和 Coursera 课程。
给感兴趣的人：我一直在学深度学习，用了这些资源——图像处理（CNN）看 cs231n，自然语言处理（RNN）看 cs224d，另外 Coursera 上的 neuralnets 和 machine learning 课程也很有帮助。
ppymou查看英文原文
For anyone interested, I have been really interested in deep learning and have been using the following resources: For image processing (CNN) https://cs231n.github.io/ For natural language processing (RNN) http://cs224d.stanford.edu/syllabus.html I also found the following coursera helpful https://www.coursera.org/course/neuralnets https://www.coursera.org/learn/machine-learning
历次讨论
同类还值得读
如何写一个拼写纠正器
How to Write a Spelling Corrector
Peter Norvig 用一个几十行的 Python 程序演示如何做拼写纠正：先用编辑距离（删除、插入、替换、换位）生成所有可能的候选词，再用从大量文本中统计出的词频概率，选出…
AI 与机器学习上首页 10 次 · 2007–2022norvig.com编辑精选面向黑客的概率编程与贝叶斯方法
Probabilistic Programming and Bayesian Methods for Hackers (2013)
《黑客的贝叶斯方法与概率编程》是一本开源的贝叶斯统计入门书，以 Python/PyMC 代码和交互式 Jupyter Notebook 为主线，强调“先实践、后数学”的学习路径，…
AI 与机器学习上首页 5 次 · 2013–2018camdavidsonpilon.github.io编辑精选神经网络黑客指南
Hacker's Guide to Neural Networks
Andrej Karpathy 写的神经网络入门教程，面向程序员，从最简单的表达式求导讲起，逐步推导出反向传播和梯度下降，最后引出神经网络。
AI 与机器学习上首页 4 次 · 2014–2019karpathy.github.io编辑精选神经网络能逼近任意函数的可视化证明
A visual proof that neural nets can approximate any function
这一章来自 Michael Nielsen 的在线书《Neural Networks and Deep Learning》，用 sigmoid 单元叠加成局部隆起/平滑阶跃的图示…
AI 与机器学习上首页 4 次 · 2014–2022neuralnetworksanddeeplearning.com编辑精选论乔姆斯基与统计学习的两种文化
On Chomsky and the Two Cultures of Statistical Learning
Norvig 回应 Chomsky 对统计语言模型批评的文章，围绕“统计学习能否解释语言”展开，比较生成与解释、少参数模型与 Shannon 式高参数统计模型。
AI 与机器学习上首页 4 次 · 2011–2025norvig.com编辑精选