1. 研究目的与意义（文献综述）

机器学习是人工智能的一个分支，而在很多时候，几乎成为人工智能的代名词。简单来说，机器学习就是通过算法，使得机器能从大量历史数据中学习规律，从而对新的样本做智能识别或对未来做预测。从20世纪80年代末期以来，机器学习的发展大致经历了两次浪潮：浅层学习(shallow learning)和深度学习(deep learning)。

第一次浪潮：浅层学习

20世纪80年代末期，用于人工神经网络的反向传播算法(也叫back propagation算法或者bp算法)[6]的发明，给机器学习带来了希望，掀起了基于统计模型的机器学习热潮。这个热潮一直持续到今天。这种基于统计的机器学习方法比起过去基于人工规则的系统，在很多方面显示出优越性。由于多层网络训练的困难，实际使用的多数是只含有一层隐层节点的浅层模型。

2. 研究的基本内容与方案

在本毕业论文中，通过阅读文献来了解深度学习乃至人工智能的概念、理解深度学习算法的工作机制、总结深度学习堆栈自编码神经网络模型，最终在matlab平台上实现堆栈自编码神经网络模型用于手写图像识别，从而初步具备通过机器学习来分析数据的能力。

主要内容：

1) 通过查阅文献和搜集相关资料，介绍深度学习的基本原理，总结常用模型或方法，并完成有关毕业设计相关的外文文献翻译。

3. 研究计划与安排

2017.12-2018.2 查阅深度学习的相关资料、撰写开题报告、翻译英文资料。

2018.2-2018.4 学习堆栈自编码神经网络算法并开始在matlab上实现。

2018.4-2018.5 完成算法在matlab上的实现，然后分析、调试并完善实验结果。

4. 参考文献（12篇以上）

[1].余凯，贾磊，陈雨强，徐伟.深度学习的昨天、今天和明天[j].计算机研究与发展，2013，59(12):1799-1804.

[2].焦李成，杨淑媛，刘芳，王士刚，冯志玺.神经网络七十年:回顾与展望[j].计算机学报，2016，39(8):1697-1716.

[3].david silver,aja huang, chris j. maddison, arthur guez et al. mastering the game of go withdeep neural networks and tree search. nature, 2016, 7587(529): 484-489.