注意：这个项目我不再维护，我觉得我的翻译真的不够好来帮助其他人，尤其是那些刚入门或者刚开始学习了解深度学习、神经网络的人们。为了不误导其他人，我建议新人们去学习斯坦福的CS231n课程，该门课程在网易云课堂上也有一个配有中文字幕的版本。 Have fun!
为了极佳的阅读体验，您可点击 这里 将本文档下载到本地，并安装 Haroopad 进行阅读。
中文版的新版 UFLDL 教程（项目地址： www.github.com/ysh329/Chinese-UFLDL-Tutorial ），该版本翻译自 UFLDL Tutorial ，是新版教程的翻译。也可参考 旧版 UFLDL 中文教程 。翻译过程中有一些数学公式，使用 Haroopad 编辑和排版， Haroopad 是一个优秀的离线 MarkDown 编辑器，支持 TeX 公式编辑，支持多平台（Win/Mac/Linux），目前还在翻译中，翻译完成后会考虑使用 TeX 重新排版。
自己对新版 UFLDL 教程翻译过程中，发现的英文错误，见 新版教程英文原文勘误表 。
注： UFLDL 是非监督特征学习及深度学习（Unsupervised Feature Learning and Deep Learning）的缩写，而不仅指深度学习（Deep Learning）。
更多详细参考资料，见 计算机科学 ， 人工智能 ， 机器学习 ， 深度学习 ， 强化学习 ， 深度强化学习 ， 公开数据集 。
说明：本教程将会教给您非监督特征学习以及深度学习的主要思想。通过它，您将会实现几个特征学习或深度学习的算法，看到这些算法为您（的工作）带来作用，以及学习如何将这些思想应用到适用的新问题上。
本教程假定您已经有了基本的机器学习知识（具体而言，熟悉监督学习，逻辑斯特回归以及梯度下降法的思想）。如果您不熟悉这些，我们建议您先去 机器学习课程 中去学习，并完成其中的第II，III，IV章节（即到逻辑斯特回归）。
材料由以下人员提供：Andrew Ng, Jiquan Ngiam, Chuan Yu Foo, Yifan Mai, Caroline Suen, Adam Coates, Andrew Maas, Awni Hannun, Brody Huval, Tao Wang, Sameep Tandon
您可以获得初学者所有练习的代码从 该Github的代码仓库 。
有关的数据文件可以从 这里 下载。 下载到的数据需要解压到名为“common”的文件夹中（以便初学者代码的使用）。
每个小节后面的[old][new][旧]分别代表：旧版英文、新版英文、旧版中文三个版本。若没有对应的版本则用[无]代替。
-
预备知识（Miscellaneous）
-
MATLAB 文件指引（MATLAB Modules）[old][无][无]
-
代码风格（Style Guide）[old][无][无]
-
预备知识推荐（Useful Links）[old][无][无]
-
-
监督学习与优化（Supervised Learning and Optimization）
-
线性回归（Linear Regression）[无][new][无]
-
-
监督神经网络（Supervised Neural Networks）
-
监督卷积网络（Supervised Convolutional Neural Network）
-
无监督学习（Unsupervised Learning）
-
线性解码器（Linear Decoders）[old][无][旧]
-
练习：使用稀疏编码器学习颜色特征（Exercise:Learning color features with Sparse Autoencoders）[old][无][无]
-
稀疏编码自编码表达（Sparse Coding: Autoencoder Interpretation）[old][无][旧]
-
独立成分分析（ICA）[old][new][旧]
-
[练习：独立成分分析（Exercise:Independent Component Analysis）](./无监督学习（Unsupervised Learning）/练习：独立成分分析（Exercise:Independent Component Analysis）.md)[old][无][无]
-
RICA（RICA）[无][new][无]
-
练习：RICA（Exercise: RICA）[无][new][无]
-
附1：数据预处理（Data Preprocessing）[old][无][旧]
-
附2：用反向传导思想求导（Deriving gradients using the backpropagation idea）[old][无][旧]
-
自我学习（Self-Taught Learning）
-
其它官方暂未写完的小节（Others）
-
卷积训练（Convolutional training）
-
受限玻尔兹曼机（Restricted Boltzmann Machines）
-
深度置信网络（Deep Belief Networks）
-
降噪自编码器（Denoising Autoencoders）
-
K 均值（K-means）
-
空间金字塔/多尺度（Spatial pyramids / Multiscale）
-
慢特征分析（Slow Feature Analysis）
-
平铺卷积网络（Tiled Convolution Networks）
-