深度學習與R語言

內容簡介

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?”答案涉及複雜的數學、程式語言(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，不要求很紮實的編程基礎，它被廣泛地套用於機器學習實踐和教學中。即使對R語言不是很了解的用戶也可以通過一些包來搭建深度學習網路。

全書11章，分為原理篇（第1~8章）和套用篇（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路、深度神經網路、卷積神經網路、遞歸神經網路、自編碼網路、受限玻耳茲曼機和深度置信網。套用篇討論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包以及一些典型的套用。

圖書目錄

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深度學習套用

1.2前向反饋神經網路FNN

1.2.1多層感知器

1.2.2神經元的作用

1.2.3激活函式

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章深度神經網路DNN

2.1DNN原理

2.2DNN套用

2.2.1提高霧天視覺能見度

2.2.2打擊黑客和網路犯罪

2.2.3圖像壓縮

2.2.4函式逼近

2.3DNN套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套用技巧

2.5單回響變數DNN的R實現

2.6多回響變數DNN的R實現

2.7學習指南

第3章卷積神經網路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網路結構

3.2.2DeepID網路結構

3.3CNN的R實現

3.4學習指南

深度學習與R語言

基本介紹

內容簡介

圖書目錄

相關詞條

熱門詞條