转自：http://blog.sina.com.cn/s/blog_46d0a3930101h6nf.html
作者：邓侃
出处：http://blog.sina.com.cn/kdeng
非常激动地宣告，Stanford 教授 Andrew Ng 的 Deep Learning 教程，于今日，2013年4月8日，全部翻译成中文。这是中国屌丝军团，从2月20日战役打响之日，经过 50 天的团结奋战，取得的全面彻底的胜利。
此次战役的巨大胜利，之所以令人激动，有三方面的原因。
1. 在 Stanford 网站这个规模不算大，但是行业影响可观的舞台上，彰显了中国屌丝们，旺盛的求战热情，迅猛顽强的战斗作风，训练有素的战术技能。
2. 在 50 天的奋战里，不仅让全球的观众们，见识了中国屌丝的单兵技能，而且更令人印象深刻的是，中国军团的出色的合作精神。他们积极奉献，不争名次高下，相互鼓励，不嫉妒不挖苦，不仅动作迅猛、干净利索地完成自己的任务，而且积极补位，协助团队成员的更快更好地完成任务。
3. 这是国际众包，这种新型项目合作的有益尝试。Andrew Ng 教授在钦佩中国军队的强大的战斗力的同时，正在与我们积极探讨下一步的合作，例如，创办一个 OpenDL 开源项目孵化平台。详情今后陆续爆料。
战果详见 http://deeplearning.stanford.edu/wiki/index.php/UFLDL教程
请猛戳网页中所有链接。
以下是先前写的博客，包括项目的发起，以及状态的跟踪。保留于此，权作纪念。
年前与朋友商议，准备写一系列文章，介绍机器学习的前沿进展。
在网上东翻翻西看看，看到 Stanford 教授 Andrew Ng 的网页，http://deeplearning.stanford.edu/wiki/index.php/UFLDL_Tutorial。
越看越喜欢。Andrew Ng 教授写的教程，深入浅出，要言不烦，不卖关子，不摆噱头，这是真心想让读者看得懂的做法。
与其重新造轮子，不如锦上添花，敬重、继承、并发扬光大别人的已有成果。干脆不原创了，先把 Andrew Ng 教授的文章，翻译成中文。今后肯定有需要补充的地方，届时再原创也不迟。
晚上 21:00 PM，在新浪微博上发帖，谈翻译 Andrew Ng 教程的事情，很多志愿者非常热情地报名参与。三个小时后，26 篇教程，基本被分配完毕。
志愿者的热情很让人感动，但是翻译质量如何保障，是个难题。而且 Andrew Ng 是 Stanford 教授，也是我的同学。他为人宽厚，但是对工作质量，一点也不通融。
我们中国机器学习界，要走向世界，起步不嫌小，但是步子得扎实。低质量，往往不是工作能力问题，而是工作作风问题。工作作风浮夸，是丢面子的。窝在家里丢丢面子，也就算了，但是无论如何，不能丢到美帝那里去，不能丢到硅谷 Stanford 去。
所以，初稿翻译出来后，要严把质量关，该返工的，该枪毙的，一定不能手软。
下面是一份清单，左栏是 Andrew Ng 的教程，右栏是初译者名单。初译者的名字，都是他们在新浪微博上的浪号。
不仅要有初译者，还得有审稿者。审稿者名单日后公布。
文章翻译好以后，没有工钱，只有感谢。
另外，我们将联系 Andrew Ng，问他是否可以把中译本，也放在 Stanford Deep Learning 的网页上。并且，是否愿意商议版权，让出版社出书。
以下翻译进展，持续更新中。。
UFLDL Tutorial
http://deeplearning.stanford.edu/wiki/index.php/UFLDL_Tutorial
Sparse Autoencoder
01. Neural Networks
02. Backpropagation Algorithm
03. Gradient checking and advanced optimization
04. Autoencoders and Sparsity
05. Visualizing a Trained Autoencoder
06. Sparse Autoencoder Notation Summary
Vectorized implementation
07. Vectorization
08. Logistic Regression Vectorization Example
09. Neural Network Vectorization
Preprocessing: PCA and Whitening
10. PCA
11. Whitening
12. Implementing PCA/Whitening
Softmax Regression
13. Softmax Regression
Self-Taught Learning and Unsupervised Feature Learning
14. Self-Taught Learning
Building Deep Networks for Classification
15. From Self-Taught Learning to Deep Networks
16. Deep Networks: Overview
17. Stacked Autoencoders
18. Fine-tuning Stacked AEs
Linear Decoders with Autoencoders
19. Linear Decoders
Working with Large Images
20. Feature extraction using convolution
21. Pooling
Miscellaneous Topics
22. Data Preprocessing
23. Deriving gradients using the backpropagation idea
Advanced Topics
24. Sparse Coding
25. Sparse Coding: Autoencoder Interpretation
26. Independent Component Analysis
1811
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
