深入学习如何使用Python进行无监督深度学习 – 掌握核心技术 | Unsupervised Deep Learning in Python

深入学习自编码器、受限玻尔兹曼机、深度神经网络、t-SNE 和 PCA，全面掌握无监督深度学习核心技术。

课程学习内容

• 理解主成分分析（PCA）的基本原理
• 掌握 PCA 在降维、可视化、消除多重共线性及去噪场景的应用
• 手动推导主成分分析（PCA）算法逻辑
• 独立编写 PCA 实现代码
• 理解 t-SNE 的核心原理
• 完成 t-SNE 算法代码实现
• 明晰 PCA 和 t-SNE 的技术局限性
• 掌握自动编码器的底层理论
• 基于 Theano 和 Tensorflow 实现自动编码器
• 理解堆叠自编码器在深度学习中的工作机制
• 在 Theano 和 Tensorflow 环境下实现堆叠降噪自编码器
• 掌握限制玻尔兹曼机（RBMs）的理论基础

课程基础要求

• 具备微积分和线性代数基础知识
• 掌握 Python 编程能力
• 拥有 Numpy、Theano 和 Tensorflow 基础使用经验
• 理解梯度下降在机器学习模型训练中的应用
• 完成 Python、Numpy 和 Theano 环境安装
• 具备一定的概率论和统计学基础
• 能够使用 Theano 或 Tensorflow 实现前馈神经网络编程

课程详细描述

你是否曾好奇 OpenAI ChatGPT、GPT-4、DALL-E、Midjourney 和 Stable Diffusion 等人工智能技术的底层运作逻辑？本课程将带你掌握这些革命性应用的核心基础原理。

这门课程是深度学习、数据科学和机器学习系列课程的自然延伸。作为系列第四门课程，它结合了无监督学习与深度学习技术，打造专业的无监督深度学习学习体系。

课程将从基础核心技术展开教学，首先讲解主成分分析（PCA），以及主流非线性降维技术 t-SNE（t 分布随机邻域嵌入）；随后深入讲解无监督神经网络——自动编码器，教学多自动编码器串联构建深度自动编码器堆栈的方法，提升监督深度神经网络性能，让你理解自动编码器与非线性 PCA 的关联。

课程最后将重点讲解受限玻尔兹曼机（RBMs），拆解吉布斯采样、对比散度（CD-k）、自由能等核心概念，同时整合所有知识点，可视化 PCA 和 t-SNE 在自动编码器、受限玻尔兹曼机特征学习中的应用效果，直观感受无监督学习的模式挖掘能力。

本课程所有学习材料均为免费资源，课程聚焦「构建与理解」，而非单纯的工具使用，通过实操实验让你深度掌握模型内部运作逻辑，真正实现从原理到实战的全面掌握。

课程秉持「如果你无法实现它，那就不算真正理解它」的教学理念，致敬物理学家理查德·费曼：「我创造不出的事物，便是我所不理解。」区别于市面上仅教授API调用的课程，本课程带你从零实现机器学习算法，真正掌握无监督深度学习核心能力。

建议预备知识

• 微积分学基础
• 线性代数基础
• 概率论与统计学基础
• Python 编程：掌握 if/else 条件语句、循环、列表、字典和集合
• Numpy 编程：熟练矩阵和向量操作、CSV 文件加载
• 能够使用 Theano 或 Tensorflow 编写前馈神经网络

课程学习顺序建议

查看讲座《机器学习和人工智能先修课程路线图》，该内容可在本讲师任意课程的常见问题解答中找到（包含免费 Numpy 课程）。

适合人群

• 希望提升深度学习专业技能的学生和职场人士
• 想要强化深度神经网络训练能力的学生和专业人士
• 渴望学习深度学习最新技术进展的学生和行业从业者