为了极佳的阅读体验，您可点击 这里 将本文档下载到本地，并安装 Haroopad 进行阅读。

中文版的新版 UFLDL 教程（项目地址： www.github.com/ysh329/Chinese-UFLDL-Tutorial ），该版本翻译自 UFLDL Tutorial ，是新版教程的翻译。也可参考 旧版 UFLDL 中文教程 。翻译过程中有一些数学公式，使用 Haroopad 编辑和排版， Haroopad 是一个优秀的离线 MarkDown 编辑器，支持 TeX 公式编辑，支持多平台（Win/Mac/Linux），目前还在翻译中，翻译完成后会考虑使用 TeX 重新排版。

自己对新版 UFLDL 教程翻译过程中，发现的英文错误，见 新版教程英文原文勘误表 。

注： UFLDL 是非监督特征学习及深度学习（Unsupervised Feature Learning and Deep Learning）的缩写，而不仅指深度学习（Deep Learning）。

• 翻译者：Shuai Yuan ，部分小节参考旧版翻译进行修正和补充。
• 若有翻译错误，请直接 New issue 或 发邮件 ，感谢！

更多详细参考资料，见 计算机科学 ， 人工智能 ， 机器学习 ， 深度学习 ， 强化学习 ， 深度强化学习 ， 公开数据集 。

说明：本教程将会教给您非监督特征学习以及深度学习的主要思想。通过它，您将会实现几个特征学习或深度学习的算法，看到这些算法为您（的工作）带来作用，以及学习如何将这些思想应用到适用的新问题上。

本教程假定您已经有了基本的机器学习知识（具体而言，熟悉监督学习，逻辑斯特回归以及梯度下降法的思想）。如果您不熟悉这些，我们建议您先去 机器学习课程 中去学习，并完成其中的第II，III，IV章节（即到逻辑斯特回归）。

材料由以下人员提供：Andrew Ng, Jiquan Ngiam, Chuan Yu Foo, Yifan Mai, Caroline Suen, Adam Coates, Andrew Maas, Awni Hannun, Brody Huval, Tao Wang, Sameep Tandon

您可以获得初学者所有练习的代码从 该Github的代码仓库 。

有关的数据文件可以从 这里 下载。 下载到的数据需要解压到名为“common”的文件夹中（以便初学者代码的使用）。

每个小节后面的[old][new][旧]分别代表：旧版英文、新版英文、旧版中文三个版本。若没有对应的版本则用[无]代替。

• 预备知识（Miscellaneous）

  • [MATLAB 文件指引（MATLAB Modules）](./预备知识（Miscellaneous ）/MATLAB　文件指引（MATLAB Modules）.md)[old][无][无]

  • [代码风格（Style Guide）](./预备知识（Miscellaneous ）/代码风格（Style Guide）.md)[old][无][无]

  • [预备知识推荐（Useful Links）](./预备知识（Miscellaneous ）/预备知识推荐（Useful Links）.md)[old][无][无]

  • [推荐读物（UFLDL Recommended Readings）](./预备知识（Miscellaneous ）/推荐读物（UFLDL Recommended Readings）.md)[old][无][无]

• 监督学习与优化（Supervised Learning and Optimization）

  • [线性回归（Linear Regression）](./监督学习和优化（Supervised Learning and Optimization）/线性回归（Linear Regression）.md)[无][new][无]

  • [逻辑斯特回归（Logistic Regression）](./监督学习和优化（Supervised Learning and Optimization）/逻辑斯特回归（Logistic Regression）.md)[old][new][旧]

  • [向量化（Vectorization）](./监督学习和优化（Supervised Learning and Optimization）/向量化（Vectorization）.md)[old][new][旧]

  • [调试：梯度检查（Debugging: Gradient Checking）](./监督学习和优化（Supervised Learning and Optimization）/调试：梯度检查（Debugging：Gradient Checking）.md)[old][new][旧]

  • [Softmax 回归（Softmax Regression）](./监督学习和优化（Supervised Learning and Optimization）/Softmax回归（Softmax Regression）.md)[old][new][旧]

  • [调试：偏差和方差（Debugging: Bias and Variance）](./监督学习和优化（Supervised Learning and Optimization）/检查：偏差和方差（Debugging：Bias and Variance）.md)[无][new][无]

  • [调试：优化器和目标（Debugging: Optimizers and Objectives）](./监督学习和优化（Supervised Learning and Optimization）/调试：优化器和目标（Debugging：Optimizers and Objectives）.md)[无][new][无]

• 监督神经网络（Supervised Neural Networks）

  • [多层神经网络（Multi-Layer Neural Networks）](./监督神经网络（Supervised Neural Networks）/多层神经网络（Multi-Layer Neural Networks）.md)[old][new][旧]

  • [神经网络向量化（Neural Network Vectorization）](./监督神经网络（Supervised Neural Networks）/神经网络向量化（Neural Network Vectorization）.md)[old][无][旧]

  • 练习：监督神经网络（Exercise: Supervised Neural Network）[无][new][无]

• 监督卷积网络（Supervised Convolutional Neural Network）

  • [使用卷积进行特征提取（Feature Extraction Using Convolution）](./监督卷积网络（Supervised Convolutional Neural Network）/使用卷积进行特征提取（Feature Extraction Using Convolution）.md)[old][new][旧]

  • [池化（Pooling）](./监督卷积网络（Supervised Convolutional Neural Network）/池化（Pooling）.md)[old][new][旧]

  • [练习：卷积和池化（Exercise: Convolution and Pooling）](./监督卷积网络（Supervised Convolutional Neural Network）/练习：卷积和池化（Exercise: Convolution and Pooling）.md)[无][new][无]

  • [优化方法：随机梯度下降（Optimization: Stochastic Gradient Descent）](./监督卷积网络（Supervised Convolutional Neural Network）/优化方法：随机梯度下降（Optimization: Stochastic Gradient Descent）.md)[无][new][无]

  • [卷积神经网络（Convolutional Neural Network）](./监督卷积网络（Supervised Convolutional Neural Network）/卷积神经网络（Convolutional Neural Network）.md)[无][new][无]

  • [练习：卷积神经网络（Excercise: Convolutional Neural Network）](./监督卷积网络（Supervised Convolutional Neural Network）/练习：卷积神经网络（Excercise: Convolutional Neural Network）.md)[无][new][无]

• 无监督学习（Unsupervised Learning）

  • [自动编码器（Autoencoders）](./无监督学习（Unsupervised Learning）/自动编码器（Autoencoders）.md)[old][new][旧]

  • [线性解码器（Linear Decoders）](./无监督学习（Unsupervised Learning）/线性解码器（Linear Decoders）.md)[old][无][旧]

  • [练习：使用稀疏编码器学习颜色特征（Exercise:Learning color features with Sparse Autoencoders）](./无监督学习（Unsupervised Learning）/练习：使用稀疏编码器学习颜色特征（Exercise:Learning color features with Sparse Autoencoders）.md)[old][无][无]

  • [主成分分析白化（PCA Whitening）](./无监督学习（Unsupervised Learning）/主成分分析白化（PCA Whitening）.md)[old][new][旧]

  • [练习：实现 2D 数据的主成分分析（Exercise:PCA in 2D）](./无监督学习（Unsupervised Learning）/练习：实现 2D 数据的主成分分析（Exercise:PCA in 2D）.md)[old][无][无]

  • [练习：主成分分析白化（Exercise: PCA Whitening）](./无监督学习（Unsupervised Learning）/练习：主成分分析白化（Exercise: PCA Whitening）.md)[old][new][无]

  • [稀疏编码（Sparse Coding）](./无监督学习（Unsupervised Learning）/稀疏编码（Sparse Coding）.md)[old][new][旧]

  • [稀疏自编码符号一览表（Sparse Autoencoder Notation Summary）](./无监督学习（Unsupervised Learning）/稀疏自编码符号一览表（Sparse Autoencoder Notation Summary）.md)[old][无][旧]

  • [稀疏编码自编码表达（Sparse Coding: Autoencoder Interpretation）](./无监督学习（Unsupervised Learning）/稀疏编码自编码表达（Sparse Coding: Autoencoder Interpretation）.md)[old][无][旧]

  • [练习：稀疏编码（Exercise:Sparse Coding）](./无监督学习（Unsupervised Learning）/练习：稀疏编码（Exercise:Sparse Coding）.md)[old][无][无]

  • [独立成分分析（ICA）](./无监督学习（Unsupervised Learning）/独立成分分析（ICA）.md)[old][new][旧]

  • [练习：独立成分分析（Exercise:Independent Component Analysis）](./无监督学习（Unsupervised Learning）/练习：独立成分分析（Exercise:Independent Component Analysis）.md)[old][无][无]

  • [RICA（RICA）](./无监督学习（Unsupervised Learning）/独立成分分析重建（RICA）.md)[无][new][无]

  • [练习：RICA（Exercise: RICA）](./无监督学习（Unsupervised Learning）/练习：RICA（Exercise: RICA）.md)[无][new][无]

  • 附1：[数据预处理（Data Preprocessing）](./无监督学习（Unsupervised Learning）/数据预处理（Data Preprocessing）.md)[old][无][旧]

  • 附2：[用反向传导思想求导（Deriving gradients using the backpropagation idea）](./无监督学习（Unsupervised Learning）/用反向传导思想求导（Deriving gradients using the backpropagation idea）.md)[old][无][旧]

• 自我学习（Self-Taught Learning）

  • [自我学习（Self-Taught Learning）](./自我学习（Self-Taught Learning）/自我学习（Self-Taught Learning）.md)[old][new][旧]

  • [练习：自我学习（Exercise: Self-Taught Learning）](./自我学习（Self-Taught Learning）/练习：自我学习（Exercise: Self-Taught Learning）.md)[old][new][无]

  • [深度网络概览（Deep Networks: Overview）](./自我学习（Self-Taught Learning）/深度网络概览（Deep Networks: Overview）.md)[old][无][旧]

  • [栈式自编码算法（Stacked Autoencoders）](./自我学习（Self-Taught Learning）/栈式自编码算法（Stacked Autoencoders）.md)[old][无][旧]

  • [微调多层自编码算法（Fine-tuning Stacked AEs）](./自我学习（Self-Taught Learning）/微调多层自编码算法（Fine-tuning Stacked AEs）.md)[old][无][旧]

  • 练习：用深度网络实现数字分类（Exercise: Implement deep networks for digit classification）[old][无][无]

• 其它官方暂未写完的小节（Others）

  • 卷积训练（Convolutional training）

  • 受限玻尔兹曼机（Restricted Boltzmann Machines）

  • 深度置信网络（Deep Belief Networks）

  • 降噪自编码器（Denoising Autoencoders）

  • K 均值（K-means）

  • 空间金字塔/多尺度（Spatial pyramids / Multiscale）

  • 慢特征分析（Slow Feature Analysis）

  • 平铺卷积网络（Tiled Convolution Networks）