这篇博客是对复旦大学吴立德教授2013年深度学习课程的总结，涵盖了基础知识、深度学习理论和应用三个方面。课程强调了深度学习在解决大量参数、非凸优化和解释性问题上的挑战，并探讨了CNN、RBM和自编码器等解决方案。重点讲解了前馈神经网络的BP算法、稀疏编码、自编码器的逐层学习方法以及卷积神经网络在图像识别中的应用。
对深度学习一直没找到系统的中文资料，在优酷找到了吴立德老师2013年开的深度学习课程视频。花三天简单看了一下，做一个简单总结，供没看过的人士参考要不要看及要看哪几集。此课程一共十四个课时
视频地址：http://www.youku.com/playlist_show/id_21508721.html
Part1 基础知识（1-3节）
1 概述
讲了ML的问题的三个基本方面：数据、模型和准则。准则可以理解为模型的优化目标。
此后全文对每个模型的讲解都是从这三个方面来讲。
深度学习（DL）的最大困难：可训练参数太多，非凸优化，解释困难（可以通过可视化手段改善）。
深度学习成功的运用场景：语音识别和目标识别。在NLP中达到了传统方法的效果。
解决DL学习问题的三种手段：卷积（褶积）神经网络（CNN），限制玻尔兹曼机（RBM）和自动编码机（AE）
2 前馈神经网BP算法
主要讲解了传统神经网络的训练方法，对梯度下降法进行了详细说明。对BP算法进行了细致的推倒。
3 学习优化问题&稀疏编码
前半部学习优化问题主要搭建了多层神经网络的框架。
后半部介绍了稀疏编码的思想和相对应的准则。
Part2 深度学习理论（4-9节）
4 DN&&DL
DN是一个深度的前馈神经网络（FNN）+
最低0.47元/天 解锁文章
1312
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
