深度学习精要（基于R语言） PDF 完整超清版

封面

简介

本书重点介绍如何将R语言和深度学习模型或深度神经网络结合起来，解决实际的应用需求。全书共6章，分别介绍了深度这习基础知识、训练预测模型、如何防止过拟合、识别异常数据、训练深度预测模型以及调节和优化模型等内容。本书适合了解机器学习概念和R语言并想要使用R提供的包来探索深度学习应用的读者学习参考。

目录

第1章　深度学习入门1

1.1　什么是深度学习1

1.2　神经网络的概念

综述2

1.3　深度神经网络6

1.4　用于深度学习的R包8

1.5　建立可重复的结果9

1.5.1　神经网络12

1.5.2　deepnet包13

1.5.3　darch包14

1.5.4　H2O包14

1.6　连接R和H2O14

1.6.1　初始化H2O15

1.6.2　数据集连结到H2O

集群17

1.7　小结19

第2章　训练预测模型20

2.1　R中的神经网络20

2.1.1　建立神经网络21

2.1.2　从神经网络生成

预测36

2.2　数据过拟合的问题—

结果的解释38

2.3　用例—建立并运用

神经网络41

2.4　小结47

第3章　防止过拟合48

3.1　L1罚函数49

3.2　L2罚函数53

3.2.1　L2罚函数实战54

3.2.2　权重衰减（神经网络中的L2罚函数）55

3.3　集成和模型平均59

3.4　用例—使用丢弃提升样本

外模型性能62

3.5　小结67

第4章　识别异常数据68

4.1　无监督学习入门69

4.2　自动编码器如何工作70

4.3　在R中训练自动编码器73

4.4　用例—建立并运用自动

编码器模型85

4.5　微调自动编码器模型90

4.6　小结95

第5章　训练深度预测模型96

5.1　深度前馈神经网络入门97

5.2　常用的激活函数—整流器、双曲正切和maxout99

5.3　选取超参数101

5.4　从深度神经网络训练和

预测新数据105

5.5　用例—为自动分类生成

深度神经网络114

5.6　小结132

第6章　调节和优化模型133

6.1　处理缺失数据134

6.2　低准确度模型的解决

方案137

6.2.1　网格搜索138

6.2.2　随机搜索139

6.3　小结151

参考文献152