基于深度学习的生物信息学聚类方法 ”期刊的“”中发表的论文“基于深度学习的生物信息学聚类方法”的代码和补充材料。 此仓库将定期更新。 特别是，将添加更完整的Jupyter笔记本。 在本文中，我们回顾了基于深度学习的聚类分析方法，包括网络训练，表示学习，参数优化和制定聚类质量指标。 我们还讨论了在不同的场景（例如生物成像，基因表达聚类）中，基于不同的自动编码器体系结构（例如，香草，变异，LSTM和卷积）的表示学习如何比基于ML的方法（例如，PCA）更有效。 ，以及将生物医学文本聚类。 基于深度学习的无监督/聚类方法，链接到论文和代码 我们提供了基于深度学习的无监督/聚类方法，论文链接和代码的列表。 此外，还将列出提出新方法和论文的文章。 敬请期待！ 标题 文章 会议/期刊 代码 卷积自动编码器（DCEC）的深度聚类 ICONIP'2017 用于一致性培训（UDA）的无监督数据增强 Arx

用卷积滤波器matlab代码Matlab卷积自动编码器 卷积自动编码器的成本函数（cautoCost2.m）和成本梯度函数（dcautoCost2.m）。 网络体系结构相当有限，但是这些功能对于将输入与一组过滤器进行卷积然后重构的无监督学习应用程序应该是有用的。 这对于发现数据的平移不变特征也很有用。 输入被输入到卷积层，该卷积层是应用于所有用户定义的数据子集的一组过滤器。 卷积层的输入输出功能是S形的。 重建层（或输出层）是线性的。 夹在卷积和重建层之间的可选附加隐藏层是S形。 可以在文件cautoCost2.m的注释中找到更多信息。 注意：此代码在一些地方使用了parfor，这是并行的for循环。 这需要并行化工具箱。 如果没有并行化工具箱，请将parfor循环替换为for循环。