| 中文摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第一章 绪论 | 第7-18页 |
| 1.1 大数据与机器学习 | 第7-8页 |
| 1.2 监督学习 | 第8-9页 |
| 1.3 非监督学习 | 第9页 |
| 1.4 半监督学习 | 第9-10页 |
| 1.5 主动学习 | 第10页 |
| 1.6 强化学习 | 第10-11页 |
| 1.7 机器学习中的一些基本概念和约定 | 第11-16页 |
| 1.7.1 维数灾难 | 第11-12页 |
| 1.7.2 过拟合与欠拟合 | 第12页 |
| 1.7.3 模型选择 | 第12-15页 |
| 1.7.4 没有免费的午餐(No Free Lunch)理论 | 第15页 |
| 1.7.5 学习算法 | 第15-16页 |
| 1.8 具体学科方向综述及论文组织结构 | 第16-18页 |
| 第二章 自学式学习与稀疏自动编码器 | 第18-35页 |
| 2.1 特征工程 | 第18-19页 |
| 2.2 半监督式学习 | 第19-21页 |
| 2.3 自学式学习(Self-Taught Learning) | 第21-27页 |
| 2.3.1 问题描述 | 第23页 |
| 2.3.2 自学式学习算法与稀疏自动编码器 | 第23-27页 |
| 2.4 稀疏自动编码器生成特征研究 | 第27-35页 |
| 2.4.1 带有标签的数据和无标签数据说明 | 第27-28页 |
| 2.4.2 网络结构标识说明 | 第28-29页 |
| 2.4.3 实验与结果分析 | 第29-35页 |
| 2.4.3.1 稀疏自动编码器学习到的特征分析 | 第29-30页 |
| 2.4.3.2 隐含层特征变换与节点生成 | 第30-35页 |
| 第三章 堆叠稀疏自动编码器算法加速 | 第35-41页 |
| 3.1 堆叠稀疏自动编码器 | 第35-37页 |
| 3.2 堆叠稀疏自动编码器特征构造生成研究 | 第37-41页 |
| 3.2.1 带有标签的数据和无标签数据说明 | 第37页 |
| 3.2.2 网络结构标识说明 | 第37页 |
| 3.2.3 旋转,位移及扭曲特征实验 | 第37-38页 |
| 3.2.4 无标签数据采样实验 | 第38-39页 |
| 3.2.5 实验结果分析 | 第39-41页 |
| 第四章 结论 | 第41-42页 |
| 参考文献 | 第42-46页 |
| 在学期间的研究成果 | 第46-47页 |
| 致谢 | 第47页 |