Deep Learning Tutorials
原文网址：https://deeplearning.net/tutorial/index.html
深度学习教程
深度学习是机器学习研究的一个新的领域，引入的目的是为了让机器学习更接近于最初的目标之一：人工智能。看这些课程笔记以对深度学习有一个初步的认识： 简要介绍为人工智能和机器学习深入学习算法的介绍
深度学习学习事物的多级别的表达与抽象，这让如图像，声音和文本这样的数据更加有意义。更多深度学习算法，参见：
- 专著或审查论文对于人工智能学习深架构
(基础和机器学习的趋势,2009年)。 - ICML 2009车间学习功能层次结构网页的列表引用。
- LISA公共wiki有阅读书目和参考书目。
- 杰夫•辛顿已经从2009年的阅读少量的教程。
本教程将向你介绍最重要的一些深度学习算法，并向你展示如何使用Theano运行它们。Theano是一个Python库，它使深度学习模型的实现变得简单，并提供了在GPU上训练的选项。
使用这个算法教程，你应该了解Python，并熟悉numpy。由于本教程是关于如何使用Theano的，所以事先需要阅读：Theano basic tutorial。读完后，通读Getting Started（入门）一章 - 它介绍了符号，算法中使用的数据集（可下载），以及我们使用统计梯度下降法做优化的方法。
纯粹的有监督学习算法按照下面顺序阅读：
Logistic Regression（Logistic 回归） - 使用Theano的一个简单例子
Multilayer perceptron（多层感知器） -层级介绍
Deep Convolutional Network（深度卷积网络）- 一个LeNet5的简单版本
无监督和半监督的学习算法可以以任何顺序阅读（自编码器可以独立于RBM/DBN阅读）：
Auto Encoders, Denoising Autoencoders（自编码器，去噪自编码器） - 自编码器描述
Stacked Denoising Auto-Encoders（堆栈式自编码器） - 深度网络的无监督预训练的简单步骤
Restricted Boltzmann Machines（受限玻尔兹曼机） -单层生成式RBM模型
Deep Belief Networks（深度信念网络） -栈式RBMs的无监督生成式预训练后跟有监督的微调
针对mcRBM模型，请看新的关于从能量模型采样的教程:
HMC Sampling（混合蒙特卡罗采样）-混合动力（又名汉密尔顿）蒙特卡洛采样 scan()
针对压缩型自编码器教程，有如下代码：
Contractive auto-encoders code - 代码中有基础文档
递归神经网络文字嵌入和上下文窗口：
Semantic Parsing of Speech using Recurrent Net
用于情感分析的LSTM网络（长短期记忆网络）:
LSTM network
基于能量的递归神经网络（RNN-RBM）：
Modeling and generating sequences of polyphonic music（和弦音乐序列的建模与生成）