深度學習與 R語言 深度学习与R语言
程顯毅, 施佺
- 出版商: 機械工業
- 出版日期: 2017-06-01
- 定價: $294
- 售價: 8.5 折 $250
- 語言: 簡體中文
- 頁數: 204
- 裝訂: 平裝
- ISBN: 7111570731
- ISBN-13: 9787111570738
-
相關分類:
R 語言、DeepLearning
立即出貨 (庫存 < 3)
買這商品的人也買了...
-
$780$616 -
$520$406 -
$403解析深度學習 : 語音識別實踐
-
$403R語言預測實戰
-
$590$502 -
$680$537 -
$450$383 -
$520$406 -
$590$460 -
$390$308 -
$540$459 -
$480$408 -
$607數據科學 R語言實踐 : 面向計算推理與問題求解的案例研究法 (Data science in R : a case studies approach to computational reasoning and problem solving)
-
$857$806 -
$650$507 -
$580$458 -
$403R語言游戲數據分析與挖掘
-
$301精通 Python 自然語言處理 (Mastering Natural Language Processing with Python)
-
$680$578 -
$500$390 -
$250深度學習精要 基於R語言
-
$480$379 -
$580$458 -
$311精通機器學習 基於R 第2版
-
$580$458
相關主題
商品描述
近年來,深度學習可謂是機器學習方向的明星概念,不同的深度學習模型分別在圖像處理與自然語言處理等任務中取得了前所未有的好成績。
在許多場合都有這樣的需求“如何對感興趣的領域快速理解和使用深度學習技術?”答案涉及復雜的數學、編程語言(如C、C++和Java)。但隨著R的興起,現在使用深度學習技術比以往更容易。因為R易學易用,不要求很扎實的編程基礎,它被廣泛地應用於機器學習實踐和教學中。即使對R語言不是很瞭解的用戶也可以通過一些包來搭建深度學習網絡。
全書11章,分為原理篇(第1~8章)和應用篇(第9~11章)。原理篇按照深度學習的發展過程,主要討論了淺層神經網絡、深度神經網絡、捲積神經網絡、遞歸神經網絡、自編碼網絡、受限玻耳茲曼機和深度置信網。應用篇討論R環境部署深度學習環境的一些策略,包括:MXNetR、H2O和其他深度學習R包以及一些典型的應用。
本書可用作本科高年級機器學習課程參考書或數據科學課程教材,也可供對人工智能、機器學習感興趣的讀者參考閱讀。
目錄大綱
前言
第1章引言
1.1關於深度學習
1.1.1深度學習興起的淵源
1.1.2深度學習總體框架
1.1.3深度學習本質
1.1.4深度學習應用
1.2前向反饋神經網絡FNN
1.2.1多層感知器
1.2.2神經元的作用
1.2.3激活函數
1.2.4學習算法
1.3R語言基礎
1.3.1入門
1.3.2基本語法
1.3.3數據
1.3.4繪圖
1.3.5數據準備
1.3.6基本運算
1.4FNN的R實現
1.5學習指南
第2章深度神經網絡DNN
2.1DNN原理
2.2DNN應用
2.2.1提高霧天視覺能見度
2.2.2打擊黑客和網絡犯罪
2.2.3圖像壓縮
2.2.4函數逼近
2.3DNN應用需要注意的一些問題
2.3.1神經元數量
2.3.2最佳層數的選擇
2.3.3訓練時間過長
2.3.4過擬合
2.4DNN應用技巧
2.5單響應變量DNN的R實現
2.6多響應變量DNN的R實現
2.7學習指南
第3章卷積神經網絡CNN
3.1CNN原理
3.1.1局部感知
3.1.2權值共享
3.1.3多卷積核
3.1.4池化
3.2多層卷積
3.2.1ImageNet—2010網絡結構
3.2.2DeepID網絡結構
3.3CNN的R實現
3.4學習指南
第4章遞歸神經網絡RNN
4.1RNN原理
4 .2Elman網絡
4.2.1承接層神經元的作用
4.2.2信息流動
4.2.3Elman網絡應用
4.3Jordan網絡
4.3.1Jordan網絡結構
4.3.2Jordan網絡應用
4.4RNN的R實現
4.5學習指南
第5章自編碼網絡AE
5.1無監督學習過程
5.2AE基本結構
5.2.1降維問題
5.2.2特徵抽取
5.3稀疏自動編碼網絡SAE
5.3.1Kullback—Leibler散度
5.3.2使用SAE注意事項
5.4SAE的R實現
5.5學習指南
第6章堆棧自編碼網絡SA
6.1SA原理
6.2SA的R實現
6.3降噪自編碼網絡DAE
6.3.1隨機掩蔽的椒鹽噪聲
6.3.2DAE基本任務
6.3.3標準化堆棧降噪自編碼網絡
6.4DAE的R實現
6.5學習指南
第7章受限玻耳茲曼機RBM
7.1RBM原理
7.1.1玻耳茲曼機的四類知識
7.1.2能量和概率的作用
7.1.3聯合概率分佈表示的自編碼網絡
7.1.4模型學習的目標
7.2訓練技巧
7.2.1技巧1:Gibbs採樣
7.2.2技巧2:最小化KL距離
7.2.3技巧3:使用RLU激活函數
7.2.4技巧4:模擬退火
7.3對深度學習的質疑
7.4 RBM應用
7.4.1肝癌分類的RBM
7.4.2麻醉鎮定 用預測的RBM
7.5RBM的R實現
7.6學習指南
第8章深度置信網絡DBN
8.1DBN原理
8.2應用案例
8.3DBN的R實現
8.4學習指南
第9章MXNetR
9.1MXNet技術特性
9.2MXNetR安裝
9.2.1安裝MXNet基本需求
9.2.2MXNet雲設置
9.2.3MXNet安裝方法
9.2.4MXNetR安裝方法
9.2.5常見的安裝問題
9.3MXNetR在深度學習中的應用
9.3.1二分類模型
9.3.2回歸模型與自定義神經網絡
9.3.3手寫數字競賽
9.3.4圖像識別應用
9.4學習指南
第10章word2vec的R語言實現
10.1word2vec詞向量由來
10.1.1統計語言模型
10.1.2神經網絡概率語言模型
10.2word2vec——詞向量特徵提取模型
10.2. 1詞向量
10.2.2CBOW的分層網絡結構——HCBOW
10.2.3word2vec流程
10.3word2vec的R實現
10.3.1tmcn.word2vec包
10.3.2word2vec自編譯函數
10.3.3使用tmcn.word2vec和word2vec注意的問題
10.4學習指南
第11章R語言其他深度學習包
11.1darch包
11.2Rdbn包
11.2.1Rdbn原理
11.2.2Rdbn安裝
11.2.3Rdbn應用
11.3H2O包
11.3.1H2O原理
11.3.2H2O應用
11.4deepne t包
11.5mbench包
11.6AMORE包
11.7學習指南
附錄
附錄A深度學習發展史
附錄B深度學習的未來——GAN
附錄CR包分類
參考文獻
後記