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
学习到的表示的简单可视化
这部分内容有帮助吗？
- Deep Learning, Ian Goodfellow, Yoshua Bengio, and Aaron Courville, 2016 (MIT Press) - 全面介绍了自编码器及其架构和学习表示的属性。它涉及本节中关于潜在空间和特征学习的核心概念。
- Reducing the Dimensionality of Data with Neural Networks, Geoffrey E. Hinton, Ruslan R. Salakhutdinov, 2006 Science, Vol. 313 DOI: 10.1126/science.1127647 - 介绍了用于降维的深度自编码器概念，这是本节中讨论的生成低维潜在空间的核心机制。
- Visualizing Data using t-SNE, Laurens van der Maaten, Geoffrey Hinton, 2008 Journal of Machine Learning Research, Vol. 9 - 介绍了 t-SNE，一种可视化高维数据的技术。该方法直接适用于将高维自编码器潜在空间投影到2D或3D进行检查。
- Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems, Aurélien Géron, 2022 (O'Reilly Media) - 一本实用的指南，包含自编码器的实现示例，以及潜在空间投影和重建的演示。