本文為美國加州理工學院（作者：Milan Cvitkovic）的博士論文，共128頁。

近年來，由於深度學習（LeCun、Bengio和Hinton，2015）的進步，機器學習方法得到了極大的改進，這是一套用於訓練高維、高參數化、非線性函式的方法。然而，深度學習的進展主要集中在計算機視覺、基於視覺的強化學習和自然語言處理等領域。本文試圖將深度學習擴充套件到迄今為止影響甚微或從未應用的領域，在原始碼分析、關係資料庫和表格資料領域給出了新的深度學習演算法和最新的任務結果。

Machine learning methods have dramaticallyimproved in recent years thanks to advances in deep learning (LeCun, Bengio,and Hinton, 2015), a set of methods for training high-dimensional,highly-parameterized, nonlinear functions. Yet deep learning progress has beenconcentrated in the domains of computer vision, visionbased reinforcementlearning, and natural language processing. This dissertation is an attempt toextend deep learning into domains where it has thus far had little impact orhas never been applied. It presents new deep learning algorithms andstate-of-the-art results on tasks in the domains of source-code analysis,relational databases, and tabular data.

1. 引言
2. 東非科技界對機器學習研究的幾點要求
3. 基於圖結構快取的原始碼開放式詞彙學習
4. 基於圖神經網路的關係資料庫有監督學習（1）
5. 表格資料深度學習的優缺點
6. 最小可實現的充分統計學習：解決資訊瓶頸問題
7. 基於圖神經網路的關係資料庫有監督學習（2）

更多精彩文章請關注公眾號：