深度学习是当前的热门，它是机器学习的一部分。在庞大而复杂的数据应用中，深度学习取得的效果非常吸引人。同时，R编程语言在数据挖掘人员和统计人员当中非常流行。 本书将深度学习和R语言两者结合起来，帮助你解决深度学习实战中所遇到的各种问题，并且教会你掌握深度学习、神经网络和机器学习的高级技巧。本书从R语言中的各种深度学习软件包和软件库手，带领你学习复杂的深度学习算法。首先，从构建各种神经网络模型始，而后逐步过渡到深度学习在文本挖掘和信号处理中的应用，同时还比较了CPU和GPU的性能。
售 价：¥
纸质售价：¥58.80购买纸书
6.2
温馨提示：数字商品不支持退换货，不提供源文件，不支持导出打印
为你推荐
版权
版权声明
内容提要
前言
关于作者
关于译者
关于英文版审稿人
关于中文版审稿人
资源与支持
配套资源
提交勘误
与我们联系
关于异步社区和异步图书
第1章 入门
1.1 介绍
1.2 安装R及其IDE
1.3 安装Jupyter Notebook应用
1.4 从R机器学习基础开始
1.5 在R中安装深度学习的工具/包
1.6 在R中安装MXNet
1.7 在R中安装TensorFlow
1.8 在R中安装H2O
1.9 使用Docker一次安装3个包
第2章 R深度学习
2.1 始于逻辑回归
2.2 介绍数据集
2.3 使用H2O执行逻辑回归
2.4 使用TensorFlow执行逻辑回归
2.5 可视化TensorFlow图
2.6 从多层感知器开始
2.7 使用H2O建立神经网络
2.8 使用H2O中的网格搜索调整超参数
2.9 使用MXNet建立神经网络
2.10 使用TensorFlow建立神经网络
第3章 卷积神经网络
3.1 介绍
3.2 下载并配置图像数据集
3.3 学习CNN分类器的架构
3.4 使用函数初始化权重和偏差
3.5 使用函数创建一个新的卷积层
3.6 使用函数创建一个扁平化的卷积层
3.7 使用函数扁平化密集连接层
3.8 定义占位符变量
3.9 创建第一个卷积层
3.10 创建第二个卷积层
3.11 扁平化第二个卷积层
3.12 创建第一个完全连接的层
3.13 将dropout应用于第一个完全连接的层
3.14 创建第二个带有dropout的完全连接层
3.15 应用Softmax激活以获得预测的类
3.16 定义用于优化的成本函数
3.17 执行梯度下降成本优化
3.18 在TensorFlow会话中执行图
3.19 评估测试数据的性能
第4章 使用自动编码器的数据表示
4.1 介绍
4.2 构建自动编码器
4.3 数据归一化
4.4 构建正则自动编码器
4.5 微调自动编码器的参数
4.6 构建栈式自动编码器
4.7 构建降噪自动编码器
4.8 构建并比较随机编码器和解码器
4.9 从自动编码器学习流形
4.10 评估稀疏分解
第5章 深度学习中的生成模型
5.1 比较主成分分析和受限玻尔兹曼机
5.2 为伯努利分布输入配置受限玻尔兹曼机
5.3 训练受限玻尔兹曼机
5.4 RBM的反向或重构阶段
5.5 了解重构的对比散度
5.6 初始化并启动一个新的TensorFlow会话
5.7 评估RBM的输出
5.8 为协同过滤构建一个受限玻尔兹曼机
5.9 执行一个完整的RBM训练
5.10 构建深度信念网络
5.11 实现前馈反向传播神经网络
5.12 建立一个深度受限玻尔兹曼机
第6章 循环神经网络
6.1 建立一个基本的循环神经网络
6.2 建立一个双向RNN模型
6.3 建立一个深度RNN模型
6.4 建立一个基于长短期记忆的序列模型
第7章 强化学习
7.1 介绍
7.2 建立马尔可夫决策过程
7.3 执行基于模型的学习
7.4 进行无模型学习
第8章 深度学习在文本挖掘中的应用
8.1 对文本数据进行预处理并提取情感
8.2 使用tf-idf分析文档
8.3 使用LSTM网络执行情感预测
8.4 使用text2vec示例的应用程序
第9章 深度学习在信号处理中的应用
9.1 介绍并预处理音乐MIDI文件
9.2 建立RBM模型
9.3 生成新的音符
第10章 迁移学习
10.1 介绍
10.2 举例说明预训练模型的使用
10.3 构建迁移学习模型
10.4 构建图像分类模型
10.5 在GPU上训练深度学习模型
10.6 比较使用CPU和GPU的性能
买过这本书的人还买过
读了这本书的人还在读
同类图书排行榜
购物车
个人中心
