DeepLearning是机器学习中一个非常接近AI的领域，其动机在于建立、模拟人脑进行分析学习的神经网络，最近研究了机器学习中一些深度学习的相关知识，本文给出一些很有用的资料和心得。KeyWords：有监督学习与无监督学习，分类、回归，密度估计、聚类，深度学习，SparseDBN，1.有监督学习和无监督学习给定一组数据(input，target)为Z=(X，Y)。有监督学习：最常见的是regression & classification。regression：Y是实数vector。回归问题，就是拟合(X，Y)的一条曲线，使得下式costfunctionL最小。classification：Y是一个finitenumber，可以看做类标号。分类问题需要首先给定有label的数据训练分类器，故属于有监督学习过程。分类问题中，costfunctionL(X,Y)是X属于类Y的概率的负对数。，其中fi(X)=P(Y=i|X);无监督学习：无监督学习的目的是学习一个functionf，使它可以描述给定数据的位置分布P(Z)。包括两种：densityestimation&clustering.densityestimation就是密度估计，估计该数据在任意位置的分布密度clustering就是聚类，将Z聚集几类（如K-Means），或者给出一个样本属于每一类的概率。由于不需要事先根据训练数据去train聚类器，故属于无监督学习。PCA和很多deeplearning算法都属于无监督学习。2. 深度学习DeepLearning介绍  Depth概念：depth:thelengthofthelongestpathfromaninputtoanoutput.  DeepArchitecture的三个特点：深度不足会出现问题；人脑具有一个深度结构（每深入一层进行一次abstraction，由lower-layer的features描述而成的feature构成，就是上篇中提到的featurehierarchy问题，而且该hierarchy是一个稀疏矩阵）；认知过程逐层进行，逐步抽象   3篇文章介绍DeepBeliefNetworks，作为DBN的breakthrough3.DeepLearningAlgorithm的核心思想：  把learninghierarchy看做一个network，则   ①无监督学习用于每一层网络的pre-train；  ②每次用无监督学习只训练一层，将其训练结果作为其higher一层的输入；  ③用监督学习去调整所有层这里不负责任地理解下，举个例子在Autoencoder中，无监督学习学的是feature，有监督学习用在fine-tuning.比如每一个neuralnetwork学出的hiddenlayer就是feature，作为下一次神经网络无监督学习的input……这样一次次就学出了一个deep的网络，每一层都是上一次学习的hiddenlayer。再用softmaxclassifier去fine-tuning这个deepnetwork的系数。这三个点是DeepLearningAlgorithm的精髓，我在上一篇文章中也有讲到，其中第三部分：LearningFeaturesHierachy&SparseDBN就讲了如何运用SparseDBN进行feature学习。4.DeepLearning经典阅读材料：Themonographorreviewpaper LearningDeepArchitecturesforAI (Foundations&TrendsinMachineLearning,2009).TheICML2009WorkshoponLearningFeatureHierarchies webpage hasa listofreferences.TheLISA publicwiki hasa readinglist anda bibliography.GeoffHintonhas readings fromlastyear’s NIPStutorial.阐述Deeplearning主要思想的三篇文章：Hinton,G.E.,Osindero,S.andTeh,Y., AfastlearningalgorithmfordeepbeliefnetsNeuralComputation18:1527-1554,2006YoshuaBengio,PascalLamblin,DanPopoviciandHugoLarochelle, GreedyLayer-WiseTrainingofDeepNetworks,inJ.Plattetal.(Eds),AdvancesinNeuralInformationProcessingSystems19(NIPS2006),pp.153-160,MITPress,2007<比较了RBM和Auto-encoder>Marc’AurelioRanzato,ChristopherPoultney,SumitChopraandYannLeCun EfficientLearningofSparseRepresentationswithanEnergy-BasedModel,inJ.Plattetal.(Eds),AdvancesinNeuralInformationProcessingSystems(NIPS2006),MITPress,2007<将稀疏自编码用于回旋结构(convolutionalarchitecture)>06年后，大批deeplearning文章涌现，感兴趣的可以看下大牛YoshuaBengio的综述Learningdeeparchitecturesfor{AI},不过本文很长，很长……5.DeepLearning工具—— Theano    Theano是deeplearning的Python库，要求首先熟悉Python语言和numpy，建议读者先看Theanobasictutorial，然后按照GettingStarted 下载相关数据并用gradientdescent的方法进行学习。学习了Theano的基本方法后，可以练习写以下几个算法：有监督学习：LogisticRegression -usingTheanoforsomethingsimpleMultilayerperceptron -introductiontolayersDeepConvolutionalNetwork -asimplifiedversionofLeNet5无监督学习：AutoEncoders,DenoisingAutoencoders -descriptionofautoencodersStackedDenoisingAuto-Encoders -easystepsintounsupervisedpre-trainingfordeepnetsRestrictedBoltzmannMachines -singlelayergenerativeRBMmodelDeepBeliefNetworks - unsupervisedgenerativepre-trainingofstackedRBMsfollowedbysupervisedfine-tuning最后呢，推荐给大家基本ML的书籍：ChrisBishop,“PatternRecognitionandMachineLearning”,2007SimonHaykin,“NeuralNetworks:aComprehensiveFoundation”,2009(3rdedition)RichardO.Duda,PeterE.HartandDavidG.Stork,“PatternClassification”,2001(2ndedition)关于MachineLearning更多的学习资料将继续更新，敬请关注本博客和新浪微博Sophia_qing。References：1. BriefIntroductiontoMLforAI2.DeepLearningTutorial3.Atutorialondeeplearning-Video