Deep Learning是機器學習中一個非常接近AI的領域， 其動機在於建立、模擬人腦進行分析學習的神經網路， 最近研究了機器學習中一些深度學習的相關知識， 本文給出一些很有用的資料和心得。
Key Words：有監督學習與無監督學習， 分類、回歸， 密度估計、聚類， 深度學習， Sparse DBN，
1. 有監督學習和無監督學習
給定一組資料(input， target)為Z=(X， Y)。
有監督學習：最常見的是regression & classification。
regression：Y是實數vector。 回歸問題， 就是擬合(X， Y)的一條曲線， 使得下式cost function L最小。
classification：Y是一個finite number， 可以看做類標號。 分類問題需要首先給定有label的資料訓練分類器， 故屬於有監督學習過程。 分類問題中， cost function L(X,Y)是X屬於類Y的概率的負對數。
， 其中fi(X)=P(Y=i | X);
無監督學習：無監督學習的目的是學習一個function f， 使它可以描述給定資料的位置分佈P(Z)。 包括兩種：density estimation & clustering.
density estimation就是密度估計， 估計該資料在任意位置的分佈密度
clustering就是聚類， 將Z聚集幾類(如K-Means)， 或者給出一個樣本屬於每一類的概率。 由於不需要事先根據訓練資料去train聚類器， 故屬於無監督學習。
PCA和很多deep learning演算法都屬於無監督學習。
2. 深度學習Deep Learning介紹
Depth 概念：depth: the length of the longest path from an input to an output.
Deep Architecture 的三個特點：深度不足會出現問題;人腦具有一個深度結構(每深入一層進行一次abstraction， 由lower-layer的features描述而成的feature構成， 就是上篇中提到的feature hierarchy問題， 而且該hierarchy是一個疏鬆陣列);認知過程逐層進行， 逐步抽象
3篇文章介紹Deep Belief Networks， 作為DBN的breakthrough
3.Deep Learning Algorithm 的核心思想：
把learning hierarchy 看做一個network， 則
①無監督學習用於每一層網路的pre-train;
②每次用無監督學習只訓練一層，
③用監督學習去調整所有層
這裡不負責任地理解下， 舉個例子在Autoencoder中， 無監督學習學的是feature， 有監督學習用在fine-tuning. 比如每一個neural network 學出的hidden layer就是feature， 作為下一次神經網路無監督學習的input……這樣一次次就學出了一個deep的網路， 每一層都是上一次學習的hidden layer。 再用softmax classifier去fine-tuning這個deep network的係數。
這三個點是Deep Learning Algorithm的精髓， 我在上一篇文章中也有講到， 其中第三部分：Learning Features Hierachy & Sparse DBN就講了如何運用Sparse DBN進行feature學習。
4. Deep Learning 經典閱讀材料：
The monograph or review paper Learning Deep Architectures for AI (Foundations & Trends in Machine Learning, 2009).
The ICML 2009 Workshop on Learning Feature Hierarchies webpage has a list of references.
The LISA public wiki has a reading list and a bibliography.
Geoff Hinton has readings from last year’s NIPS tutorial.
闡述Deep learning主要思想的三篇文章：
Hinton, G. E., Osindero, S. and Teh, Y., A fast learning algorithm for deep belief netsNeural Computation 18:1527-1554, 2006
Yoshua Bengio, Pascal Lamblin, Dan Popovici and Hugo Larochelle, Greedy Layer-Wise Training of Deep Networks, in J. Platt et al. (Eds), Advances in Neural Information Processing Systems 19 (NIPS 2006), pp. 153-160, MIT Press, 2007
Marc’Aurelio Ranzato, Christopher Poultney, Sumit Chopra and Yann LeCun Efficient Learning of Sparse Representations with an Energy-Based Model, in J. Platt et al. (Eds), Advances in Neural Information Processing Systems (NIPS 2006), MIT Press, 2007
06年後， 大批deep learning文章湧現， 感興趣的可以看下大牛Yoshua Bengio的綜述Learning deep architectures for {AI},不過本文很長， 很長……
5. Deep Learning工具—— Theano
學習了Theano的基本方法後， 可以練習寫以下幾個演算法：
有監督學習：
Logistic Regression - using Theano for something simple
Multilayer perceptron - introduction to layers
Deep Convolutional Network - a simplified version of LeNet5
無監督學習：
Auto Encoders, Denoising Autoencoders - description of autoencoders
Stacked Denoising Auto-Encoders - easy steps into unsupervised pre-training for deep nets
Restricted Boltzmann Machines - single layer generative RBM model
Deep Belief Networks - unsupervised generative pre-training of stacked RBMs followed by supervised fine-tuning
最後呢， 推薦給大家基本ML的書籍：
Chris Bishop, “Pattern Recognition and Machine Learning”, 2007
Simon Haykin, “Neural Networks: a Comprehensive Foundation”, 2009 (3rd edition)
Richard O. Duda, Peter E. Hart and David G. Stork, “Pattern Classification”, 2001 (2nd edition)