这个Matlab工具箱实现32种维数降低技术。
这些技术都可以通过COMPUTE_MAPPING函数或trhoughGUI。
有以下技术可用： -主成分分析（'PCA'） -线性判别分析（'LDA'） -多维缩放（'MDS'） -概率PCA（'ProbPCA'） -因素分析（'因子分析'） -Sammon映射（'Sammon'） -Isomap（'Isomap'） -LandmarkIsomap（'LandmarkIsomap'） -局部线性嵌入（'LLE'） -拉普拉斯特征图（'Laplacian'） -HessianLLE（'HessianLLE'） -局部切线空间对准（'LTSA'） -扩散图（'DiffusionMaps'） -内核PCA（'KernelPCA'） -广义判别分析（'KernelLDA'） -随机邻居嵌入（'SNE'） -对称随机邻接嵌入（'SymSNE'） -t分布随机邻居嵌入（'tSNE'） -邻域保留嵌入（'NPE'） -线性保持投影（'LPP'） -随机接近嵌入（'SPE'） -线性局部切线空间对准（'LLTSA'） -保形本征映射（'CCA'，实现为LLE的扩展） -最大方差展开（'MVU'，实现为LLE的扩展） -地标最大差异展开（'地标MVU'） -快速最大差异展开（'FastMVU'） -本地线性协调（'LLC'） -歧管图表（'ManifoldChart'） -协调因子分析（'CFA'） -高斯过程潜变量模型（'GPLVM'） -使用堆栈RBM预训练的自动编码器（'AutoEncoderRBM'） -使用进化优化的自动编码器（'AutoEncoderEA'）此外，工具箱包含6种内在维度估计技术。
这些技术可通过INTRINSIC_DIM函数获得。
有以下技术可用： -基于特征值的估计（'EigValue'） -最大似然估计器（'MLE'） -基于相关维度的估计器（'CorrDim'） -基于最近邻域评估的估计器（'NearNb'） -基于包装数量（'PackingNumbers'）的估算器 -基于测地最小生成树（'GMST'）的估计器除了这些技术，工具箱包含用于预白化数据（函数PREWHITEN），精确和估计样本外扩展（函数OUT_OF_SAMPLE和OUT_OF_SAMPLE_EST）的函数以及生成玩具数据集（函数GENERATE_DATA）的函数。
工具箱的图形用户界面可通过DRGUI功能访问

实现基于稀疏自动编码器的图像同时增强和图像去噪，该资源包含自己处理的样本数据

PyChat-LSTMAutoencoder：使用Corenell电影对话语料库上的LSTM自动编码器模型实现的适用于Facebook的聊天机器人

将节点相似度矩阵，作为深度稀疏自动编码器的输入，并通过不断迭代，作为输出低维特征矩阵。
（matlab编写）

原创作者是Zouxy,整个笔记在他博客上，为了方便大家保存阅读，我将其整理成了pdf文档，希望大家多多交流。
目录一、概述 2二、背景 5三、人脑视觉机理 8四、关于特征 104.1、特征表示的粒度 104.2、初级（浅层）特征表示 114.3、结构性特征表示 144.4、需要有多少个特征？ 16五、DeepLearning的基本思想 17六、浅层学习（ShallowLearning）和深度学习（DeepLearning） 18七、Deeplearning与NeuralNetwork 20八、Deeplearning训练过程 218.1、传统神经网络的训练方法为什么不能用在深度神经网络 218.2、deeplearning训练过程 22九、DeepLearning的常用模型或者方法 239.1、AutoEncoder自动编码器 239.2、SparseCoding稀疏编码 289.3、RestrictedBoltzmannMachine(RBM)限制波尔兹曼机 319.4、DeepBeliefNetworks深信度网络 359.5、ConvolutionalNeuralNetworks卷积神经网络 38十、总结与展望 50十一、参考文献和DeepLearning学习资源（持续更新……） 51

深度学习的不雅点源于家养神经收集的钻研。
含多隐层的多层感知器便是一种深度学习结构。
深度学习经由组合低层特色组成愈加笼统的高层展现属性种别或者特色，以发现数据的漫衍式特色展现。
深度学习的不雅点由Hinton等人于2006年提出。
基于深信度网(DBN)提出非把守贪心逐层熬炼算法，为处置深层结构相关的优化难题带来阻滞，随后提出多层自动编码器深层结构。
另外Lecun等人提出的卷积神经收集是第一个真正多层结构学习算法，它行使空间相对于关连削减参数数目以普及熬炼成果。
深度学习是机械学习钻研中的一个新的规模，其成果在于建树、模拟人脑举行阐发学习的神经收集，它模拟人脑的机制来评释数据，譬如图像，声音以及文本。
同机械学习方式同样，深度机械学习方式也有把守学习与无把守学习之分.不合的学习框架下建树的学习模子颇为不合.譬如，卷积神经收集(Convolutionalneuralnetworks，简称CNNs)便是一种深度的把守学习下的机械学习模子，而深度信托网(DeepBeliefNets，简称DBNs)便是一种无把守学习下的机械学习模子。

本资源是3层的自编码器加上稀疏正则项约束的matlab代码。
隐层激活函数选sigmoid函数，输出层选线性函数，程序中以一个标准数据集sonar为例，使用该方法可以做无监督表征学习，数据紧缩，多任务学习等

最先提出深度学习算法hinton的自动编码器matlab代码，内容是：利用多层rbm进行自动编码的多层特征训练，然后运用梯度算法进行fineturn。
可以进行特征提取，也可以进行分类。

在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。 每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。 另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。 为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。