R語言深度學習 Deep Learning with R

近年來機器學習取得了長足的進步。
深度學習系統使得一些以往不可能實現的智能應用成為現實，
推動了圖像識別和自然語言處理的巨大變革，也成功識別出了數據中的複雜模式。
Keras深度學習庫為使用R語言的數據科學家和開發者提供了處理深度學習任務的工具集。
《R語言深度學習》基於強大的Keras庫及其R語言接口介紹了深度學習。
本書源於Keras之父、Google人工智能研究員Fran.ois Chollet基於Python編寫的《Python深度學習》一書，
由RStudio創始人JJAllaire修改為R語言版本，並採用直觀的解釋和實際的例子幫助讀者構建對深度學習的理解。
讀者可以針對計算機視覺、自然語言處理和生成式模型領域的R語言應用加以實踐。
《R語言深度學習》包含如下內容：深度學習原理入門；
深度學習環境設置；圖像分類與生成；基於文本和序列的深度學習。
閱讀本書需要具備R語言編程能力，不需要有機器學習或深度學習的經驗。

Francois Chollet

在Google加州山景城從事深度學習相關的工作。
他是Keras深度學習庫的創建者，也是TensorFlow機器學習框架的貢獻者。
他還從事深度學習研究工作，側重於計算機視覺和形式推理的機器學習應用。
他的論文已在該領域的重要會議上發表，包括計算機視覺與模式識別會議（CVPR）、
神經信息處理系統（NIPS）會議及分論壇、國際學習表徵會議（ICLR）等。

JJAllaire

是RStudio的創始人和RStudio集成開發環境的創建者，也是TensorFlow和Keras的R接口的作者。

Francois Chollet

在Google加州山景城從事深度學習相關的工作。
他是Keras深度學習庫的創建者，也是TensorFlow機器學習框架的貢獻者。
他還從事深度學習研究工作，側重於計算機視覺和形式推理的機器學習應用。
他的論文已在該領域的重要會議上發表，包括計算機視覺與模式識別會議（CVPR）、
神經信息處理系統（NIPS）會議及分論壇、國際學習表徵會議（ICLR）等。

JJAllaire

是RStudio的創始人和RStudio集成開發環境的創建者，也是TensorFlow和Keras的R接口的作者。目錄
原書前言
致謝
關於本書
第一部分深度學習基礎
第1章什麼是深度學習　
1.1人工智能、機器學習和深度學習　
1.1.1人工智能　
1.1.2機器學習　
1.1.3從數據中學習表述　
1.1.4深度學習的“深”　
1.1.5通過三張圖理解深度學習的原理　
1.1.6深度學習目前能做什麼　
1.1.7不要相信短期炒作　
1.1.8人工智能的潛力　
1.2在深度學習之前：機器學習簡史　
1.2.1概率建模　
1.2.2早期的神經網絡　
1.2.3核方法　
1.2.4決策樹、隨機森林、梯度提昇機　
1.2.5回到神經網絡　
1.2.6是什麼讓深度學習與眾不同　
1.2 .7現代機器學習發展　
1.3為什麼會有深度學習？為什麼是現在　
1.3.1硬件　
1.3.2數據　
1.3.3算法　
1.3.4新一輪投資潮　
1.3.5深度學習走向大眾　
1.3.6它會持續下去嗎　

第2章在我們開始前：構建神經網絡的數學模塊　
2.1有關神經網絡的第一印象　
2.2神經網絡的數據表示　
2.2.1標量（零維張量）　
2.2.2向量（一維張量）　
2.2. 3矩陣（二維張量）　
2.2.4三維張量和高維張量　
2.2.5關鍵屬性　
2.2.6在R中使用張量　
2.2.7數據批次的概念　
2.2.8數據張量的真實示例　
2.2.9向量數據　
2.2.10時間序列數據或序列數據　
2.2.11圖像數據　
2.2.12視頻數據　
2.3神經網絡的齒輪：張量運算　
2.3.1逐元素運算　
2.3.2包含不同維度張量的運算　
2.3 .3張量點積　
2.3.4張量重塑　
2.3.5張量運算的幾何解釋　
2.3.6深度學習的幾何解釋
2.4神經網絡的引擎：基於梯度的優化　
2.4.1什麼是導數　
2.4.2張量運算的導數：梯度　
2.4.3隨機梯度下降　
2.4.4鍊式導數：後向傳播算法　
2.5回顧我們的第一個例子　
2.6本章小結　

第3章神經網絡入門　
3.1神經網絡的剖析　
3.1.1層：深度學習的基石　
3.1.2模型：層網絡　
3.1.3損失函數和優化器：配置學習過程的關鍵　
3.2 Keras簡介　
3.2.1 Keras、TensorFlow、Theano和CNTK　
3.2.2安裝Keras 46 3.2.3使用Keras進行開發：快速概述　
3.3建立深度學習工作站　
3.3.1讓Keras運行：兩個選項　
3.3.2在雲中運行深度學習任務：優點和缺點　
3.3.3什麼是深度學習的最佳GPU
3.4電影評論分類：二元分類示例　
3.4.1 IMDB數據集　
3.4.2準備數據　
3.4.3構建網絡　
3.4.4方法驗證　
3.4.5使用經過訓練的網絡生成對新數據的預測　
3.4.6進一步的實驗　
3.4.7小結　
3.5新聞專線分類：多類分類示例　
3.5.1 Reuters數據集　
3.5.2準備數據　
3.5.3構建網絡　
3.5.4方法驗證　
3.5.5生成對新數據的預測　
3.5.6處理標籤和損失的不同方式　
3.5.7具有足夠大的中間層的重要性　
3.5.8進一步的實驗　
3.5.9小結　
3.6預測房價：一個回歸的例子　
3.6.1波士頓住房價格數據集　
3.6. 2準備數據　
3.6.3構建網絡　
3.6.4使用K折驗證　
3.6.5小結
3.7本章小結　

第4章機器學習基礎　
4.1機器學習的四個分支　
4.1.1監督學習　
4.1.2無監督學習　
4.1.3自監督學習　
4.1.4強化學習　
4.2評估機器學習模型　
4.2.1訓練、驗證和測試集　
4.2.2要記住的事情　
4.3數據預處理、特徵工程和特徵學習　
4.3.1神經網絡的數據預處理　
4.3. 2特徵工程　
4.4過擬合和欠擬合　
4.4.1縮小網絡規模　
4.4.2添加權重正則化　
4.4.3添加dropout　
4.5機器學習的通用工作流程　
4.5.1定義問題並整合數據集　
4.5.2選擇衡量成功的標準　
4.5.3確定評估方案　
4.5.4準備數據　
4.5.5開發一個比基線更好的模型　
4.5.6擴展：開發一個過擬合的模型　
4.5.7正則化模型並調整超參數　
4.6本章小結　

第二部分深度學習實戰
第5章計算機視覺中的深度學習　
5.1卷積網絡概述　
5.1.1卷積操作　
5.1.2最大池化操作　
5.2在小型數據集上從頭開始訓練一個卷積網絡　
5.2.1深度學習與小數據問題的相關性　
5.2.2下載數據　
5.2.3構建網絡　
5.2.4數據預處理　
5.2.5使用數據擴充　
5.3使用預訓練的捲積網絡　
5.3.1特徵提取　
5.3. 2微調　
5.3.3小結　
5.4可視化卷積網絡學習過程　
5.4.1可視化中間激活　
5.4.2可視化卷積網絡過濾器
5.4.3可視化類激活的熱圖
5.5本章小結　

第6章用於文本和序列數據的深度學習　
6.1使用文本數據　
6.1.1詞和字符的獨熱編碼　
6.1.2使用單詞嵌入　
6.1.3將其全部放在一起：從原始文本到單詞嵌入　
6.1.4小結　
6.2了解循環神經網絡　
6.2.1 Keras中的循環層　
6.2 .2理解LSTM和GRU層　
6.2.3 Keras中的一個具體的LSTM例子　
6.2.4小結