Unsupervised Deep Learning in Python by Lazy Programmer Team

Unsupervised Deep Learning in Python

《Python无监督深度学习》课程内容（Lazy Programmer团队）

基本信息

- 课程名称：Python无监督深度学习

- 更新时间：2025年11月

- 课程格式：MP4视频（视频编码：h264，分辨率：1920x1080；音频编码：AAC，采样率：44.1 KHz，双声道）

- 难度等级：中级（Intermediate）

- 类别：电子学习（eLearning）

- 语言：英语+字幕（English + subtitle）

- 时长：79课时（10小时8分钟）（79 Lectures ( 10h 8m )）

- 文件大小：3.47 GB

核心主题

自编码器（Autoencoders）、受限玻尔兹曼机（Restricted Boltzmann Machines）、深度神经网络（Deep Neural Networks）、t-SNE降维算法、主成分分析（PCA）

你将学到

- 理解主成分分析（PCA）的理论基础

- 掌握PCA在降维、可视化、去相关性和去噪中的应用价值

- 手动推导PCA算法并编写Python代码实现

- 理解t-SNE算法的原理及代码应用

- 明确PCA与t-SNE的局限性

- 掌握自编码器的理论知识，并用Theano和TensorFlow实现自编码器

- 理解堆叠自编码器在深度学习中的作用，实现堆叠去噪自编码器

- 掌握受限玻尔兹曼机（RBMs）的理论，理解其训练难点

- 学会使用对比散度（Contrastive Divergence）算法训练RBM

- 用Theano和TensorFlow实现RBM及深度信念网络（DBN）

- 可视化并解读自编码器和RBM学到的特征

- 理解OpenAI ChatGPT、GPT-4、DALL-E、Midjourney和Stable Diffusion的核心基础

前置要求

- 具备微积分和线性代数知识

- 掌握Python编程技能

- 有Numpy、Theano和TensorFlow的使用经验

- 了解梯度下降在机器学习模型训练中的应用

- 已安装Python、Numpy和Theano

- 具备基础概率与统计学知识

- 能够用Theano或TensorFlow编写前馈神经网络

课程描述

本课程是我的深度学习、数据科学和机器学习系列课程

 

建议前置课程

- 微积分

- 线性代数

- 概率论

- Python编程（if/else、循环、列表、字典、集合）

- Numpy编程（矩阵和向量运算、读取CSV文件）

- 能用Theano或TensorFlow编写前馈神经网络

我的课程学习顺序建议

查看课程“机器学习与AI前置知识路线图”（可在我的任意课程的FAQ中找到，包括免费的Numpy课程）

适用人群

- 希望提升深度学习技能的学生和专业人士

- 想优化深度神经网络训练能力的学生和专业人士

- 对深度学习现代发展方向感兴趣的学生和专