最先提出深度学习算法hinton的自动编码器AutoEncoder

Matlab深度置信网络DBN代码解析用于机器学习的神经网络 Geoff Hinton 的 Coursera 课程“机器学习神经网络”的 Matlab 源文件。 Geoff Hinton 于 2019 年从 Coursera 中删除了该课程，因为他觉得现在已经过时了。 然而，这些讲座仍然是对神经网络的很好的介绍，可以在 Geoff Hinton 的网站上找到。 课程大纲如下。 一、简介 为什么我们需要机器学习 什么是神经网络 一些简单的神经元模型 一个简单的学习例子 三种学习方式 2.感知器学习过程 网络架构的主要类型概述 感知器 感知器的几何视图 为什么学习有效 感知器不能做什么 3. 反向传播学习过程 学习线性神经元的权重 线性神经元的误差面 学习逻辑输出神经元的权重 反向传播算法 如何使用反向传播算法计算的导数 4. 学习词的特征向量 学习预测下一个单词 对认知科学的简要介绍 另一个改道_softmax输出函数 神经概率语言模型 处理大量可能输出的方法 5. 使用神经网络进行物体识别 为什么物体识别很困难 实现视点不变性的方法 用于手写数字识别的卷积神经网络 用于物体识别的卷积神

Hinton - Toronto University - Neural Network for Machine Learning Lecture Notes 课件 有 ppt ＆ pdf 两个版本

Hinton 2006年的数据降维的方法

Geoffrey Hinton，被称为“神经网络之父”、“深度学习鼻祖”，他曾获得爱丁堡大学人工智能的博士学位，并且为多伦多大学的特聘教授。在2012年，Hinton还获得了加拿大基廉奖(Killam Prizes，有“加拿大诺贝尔奖”之称的国家最高科学奖)。2013年，Hinton 加入谷歌并带领一个AI团队，他将神经网络带入到研究与应用的热潮，将“深度学习”从边缘课题变成了谷歌等互联网巨头仰赖的核心技术，并将HintonBack Propagation(反向传播)算法应用到神经网络与深度学习。

本文没有描述一个工作系统。相反，它提出了一个关于表示的单一想法，允许几个不同群体的进步被组合成一个虚构的系统，称为GLOM。这些进展包括transformers、神经域、对比表示学习、蒸馏和胶囊。

Hinton 神经网络与机器学习笔记（TingxunShi） Hinton 神经网络与机器学习笔记（TingxunShi）

Deep learning allows computational models that are composed of multiple processing layers to learn representations of data with multiple levels of abstraction. These methods have dramatically improved the state-of-the-art in speech recognition, visual object recognition, object detection and many other domains such as drug discovery and genomics. Deep learning discovers intricate structure in large data sets by using the backpropagation algorithm to indicate how a machine should change its internal parameters that are used to compute the representation in each layer from the representation in the previous layer. Deep convolutional nets have brought about breakthroughs in processing images, video, speech and audio, whereas recurrent nets have shone light on sequential data such as text and speech.

最先提出深度学习算法hinton的自动编码器matlab代码，内容是：利用多层rbm进行自动编码的多层特征训练，然后使用梯度算法进行fine turn。可以进行特征提取，也可以进行分类。

深度学习领域三大牛LeCun、Bengio和Hinton 联合打造史上最权威综述 Deep learning，跟着大牛脚步逐步成为大牛。