趋近智
自动编码器与特征学习入门
章节 1: 理解自动编码器
无监督学习简介
神经网络简介
核心思想：学习数据重建
编码器、瓶颈和解码器：主要组成部分
学习数据表示的用途
自动编码器类比
自编码器处理的初步问题
章节 2: 自动编码器的构成：编码器与解码器
编码器：数据压缩
输入层的结构
编码器隐藏层与数据压缩
瓶颈：紧凑表示
编码器中常用的激活函数
解码器：数据重建
解码器隐藏层与数据解压
输出层的结构
解码器中常用的激活函数
输入与输出的匹配
章节 3: 自动编码器如何学习
训练目标：减少重建误差
自编码器的损失函数 (MSE, BCE)
学习过程：优化基础
数据流：前向传播说明
从错误中学习：反向传播（宏观视角）
训练周期：迭代次数与批次
过拟合与欠拟合初识
构建自编码器的准备工作
章节 4: 自编码器与特征学习
数据集中特征的界定
比较人工与学习的特征方法
自编码器如何识别数据内在特征
瓶颈层作为特征提取器
使用自编码器降维
学习到的表示的简单可视化
有效数据表示的作用
章节 5: 构建一个基础自动编码器
深度学习的 Python 环境配置
PyTorch和Keras入门
加载并理解一个基础数据集
自动编码器的数据预处理
构建一个简单的自编码器模型
配置模型以进行训练
执行训练过程
评估重建质量
可视化重建输出：动手实践
检查编码数据：实践
过拟合与欠拟合初识
这部分内容有帮助吗？
- Deep Learning, Ian Goodfellow, Yoshua Bengio, and Aaron Courville, 2016 (MIT Press) - 这本基础性教材提供了深度学习的全面理论背景，包含对过拟合、欠拟合以及训练自编码器等神经网络至关重要的泛化概念的详细解释。
- CS230: Deep Learning - Lecture Notes on Bias/Variance and Regularization, Andrew Ng, 2018 (DeepLearning.AI) - 斯坦福大学深度学习课程的讲义，为神经网络中的欠拟合和过拟合提供了学术介绍，以及解决它们的初步策略。
- Deep Learning with Python, François Chollet, 2021 (Manning Publications) - 一本使用 Keras 和 TensorFlow 进行深度学习的实用指南，提供了对过拟合和欠拟合等常见训练问题的实际解释，以及缓解这些问题的实用方法。
- The Elements of Statistical Learning: Data Mining, Inference, and Prediction, Trevor Hastie, Robert Tibshirani, Jerome Friedman, 2009 (Springer) DOI: 10.1007/978-0-387-84858-7 - 一本关于统计学习的经典教材，对模型拟合、偏差-方差权衡和泛化误差进行了严谨处理，这些是过拟合和欠拟合的基础。