LSTM异常检测自动编码器 使用LSTM自动编码器检测异常并对稀有事件进行分类。 如此多次，实际上是现实生活中的大多数数据，我们都有不平衡的数据。 数据是我们最感兴趣的事件，很少见，不像正常情况下那么频繁。 例如，在欺诈检测中。 大多数数据是正常情况，无论数据是否已标记，我们都希望检测异常或何时发生欺诈。 处理未标记的数据时，我们通常会使用“异常值检测”方法，例如，基于聚类的局部离群值因子（CBLOF） ，基于直方图的离群值检测（HBOS）等。而标记的数据被视为“分类”问题和分类器，如和。 但是，由于正数据点在数据中很少见，因此该算法发现很难从数据中学到很多东西。 例如，分类器通常最终会在所有情况下都预测为“负”，以实现最佳准确性。 在这里，我们将研究可用于有监督和无监督以及罕见事件分类问题的另一种方法。 长短期记忆自动编码器。

MovieLens1M基于深度学习的电影推荐系统 使用MovieLens1M数据集（数据可以从下载），实现自动编码器（AE），可变自动编码器（VAE），BERT提取电影名特征3种方法，对评分矩阵进行耦合，继而对用户做出推荐。 代码建议在Google Colab环境下运行，代码中的目录请根据自己的实际目录进行修改。 本代码主目录和子目录如下： / content / drive / Movie_lens / --------- ml-1m（包含数据集的文件夹） ---------自动编码器.ipynb ---------基于BERT的recommender.ipynb 1个型号： 1.1自动编码器 1.2可变自动编码器 1.3基于BERT 2实验结果： 2.1自动编码器的训练损失和验证损失的MSE 2.2变分自动编码器的训练损失和验证损失的MSE 2.3基于BERT的训练损失和测试损失的M

有效压缩量子数据的量子自动编码器

NNSAE：非负稀疏自动编码器（NNSAE）。 自动编码器神经网络中非负和稀疏编码的有效在线学习方案

深度前馈卷积稀疏降噪自动编码器的多级委员会用于对象识别

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

这个存储库包含使用深度学习对高分辨率图像进行分解的工作的代码。目前最先进的方法，如BM3D，KSVD和非本地手段确实能够产生高质量的去噪效果。但是当图像的大小变得非常高时，例如。 4000 x 80000像素，那些高质量的结果以高计算时间为代价。这个耗时的因素可以作为一个动机来提出一个模型，可以在更短的时间内提供可比较的结果，如果不是更好的话。因此，我使用了一种深度学习方法，它会自动尝试学习将噪声图像映射到其去噪版本的功能。

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，然后使用梯度算法进行fine turn。可以进行特征提取，也可以进行分类。

最近在尝试将AE算法改写为分布式架构就先写了个单机版，AE可以用来给数据降维，由于是基于ANN的框架写的所以要是想实现ANN的功能略作修改即可

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）