【文件属性】：
文件名称：Matlab深度置信网络DBN代码解析-NeuralNetworksForMachineLearningClass:GeoffHinton的C
文件大小：15.31MB
文件格式：ZIP
更新时间：2021-06-12 10:26:35
系统开源
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
【文件预览】：
NeuralNetworksForMachineLearningClass-master
----neural-networks-ex3-OptimizationAndGeneralization()
--------a3.m(15KB)
--------data.mat(22.32MB)
----neural-networks-ex1-LearnPerceptronWeights()
--------dataset2.mat(608B)
--------dataset3.mat(696B)
--------plot_perceptron.m(3KB)
--------Assignment1()
--------dataset4.mat(720B)
--------Assignment1.zip(8KB)
--------learn_perceptron.m(6KB)
--------dataset1.mat(600B)
----README.md(4KB)
----neural-networks-ex4-RestrictedBolzmannMachine()
--------configuration_goodness.m(692B)
--------a4_randomness_source.mat(2.67MB)
--------cd1.m(2KB)
--------a4_main.m(4KB)
--------logistic.m(70B)
--------a4_rand.m(409B)
--------a4_init.m(885B)
--------configuration_goodness_gradient.m(1KB)
--------log_partition.m(784B)
--------hidden_state_to_visible_probabilities.m(720B)
--------a4.zip(5.05MB)
--------data_set.mat(22.32MB)
--------permn.m(6KB)
--------visible_state_to_hidden_probabilities.m(728B)
--------log_part_fn.m(563B)
--------show_rbm.m(878B)
--------sample_bernoulli.m(458B)
--------describe_matrix.m(222B)
--------binary2vector.m(414B)
--------optimize.m(1KB)
--------extract_mini_batch.m(230B)
----neural-networks-ex2-PredictNextWord()
--------raw_sentences.txt(2.82MB)
--------word_distance.m(819B)
--------sample_output.txt(2KB)
--------train.m(9KB)
--------fprop.m(4KB)
--------README.txt(6KB)
--------data.mat(7.12MB)
--------display_nearest_words.m(922B)
--------load_data.m(1KB)
--------predict_next_word.m(1KB)