当前位置:首页 > 工业技术
深度学习与R语言
深度学习与R语言

深度学习与R语言PDF电子书下载

工业技术

  • 电子书积分:10 积分如何计算积分?
  • 作 者:程显毅,施佺编著
  • 出 版 社:北京:机械工业出版社
  • 出版年份:2017
  • ISBN:9787111570738
  • 页数:204 页
图书介绍:全书12章,分为原理篇(第1~8章),应用篇(第9~12章)。原理篇按照深度学习的发展过程,主要讨论了浅层神经网络、深度神经网络、Elman神经网络、Jordan神经网络、自动编码机、受限波尔兹曼机和深度信念网。应用篇R环境部署深度学习环境的一些策略,包括:MXNetR、H2O和其它深度学习R包以及一些典型的应用。
《深度学习与R语言》目录

第1章 引言 1

1.1关于深度学习 1

1.1.1深度学习兴起的渊源 1

1.1.2深度学习总体框架 3

1.1.3深度学习本质 4

1.1.4深度学习应用 5

1.2前向反馈神经网络FNN 5

1.2.1多层感知器 5

1.2.2神经元的作用 6

1.2.3激活函数 8

1.2.4学习算法 9

1.3 R语言基础 11

1.3.1入门 11

1.3.2基本语法 13

1.3.3数据 14

1.3.4绘图 19

1.3.5数据准备 21

1.3.6基本运算 23

1.4 FNN的R实现 23

1.5学习指南 27

第2章 深度神经网络DNN 28

2.1 DNN原理 28

2.2 DNN应用 30

2.2.1提高雾天视觉能见度 31

2.2.2打击黑客和网络犯罪 31

2.2.3图像压缩 33

2.2.4函数逼近 34

2.3 DNN应用需要注意的一些问题 38

2.3.1神经元数量 38

2.3.2最佳层数的选择 39

2.3.3训练时间过长 39

2.3.4过拟合 40

2.4 DNN应用技巧 40

2.5单响应变量DNN的R实现 42

2.6多响应变量DNN的R实现 46

2.7学习指南 51

第3章 卷积神经网络CNN 52

3.1 CNN原理 52

3.1.1局部感知 53

3.1.2权值共享 54

3.1.3多卷积核 54

3.1.4池化 56

3.2多层卷积 57

3.2.1 ImageNet-2010网络结构 57

3.2.2 DeepID网络结构 58

3.3 CNN的R实现 58

3.4学习指南 59

第4章 递归神经网络RNN 61

4.1 RNN原理 61

4.2 Elman网络 61

4.2.1承接层神经元的作用 62

4.2.2信息流动 62

4.2.3 Elman网络应用 63

4.3 Jordan网络 65

4.3.1 Jordan网络结构 65

4.3.2 Jordan网络应用 65

4.4 RNN的R实现 66

4.5学习指南 77

第5章 自编码网络AE 79

5.1无监督学习过程 79

5.2 AE基本结构 80

5.2.1降维问题 81

5.2.2特征抽取 82

5.3稀疏自动编码网络SAE 83

5.3.1 Kullback-Leibler散度 84

5.3.2使用SAE注意事项 84

5.4 SAE的R实现 85

5.5学习指南 94

第6章 堆栈自编码网络SA 95

6.1 SA原理 96

6.2 SA的R实现 97

6.3降噪自编码网络DAE 99

6.3.1随机掩蔽的椒盐噪声 100

6.3.2 DAE基本任务 100

6.3.3标准化堆栈降噪自编码网络 100

6.4 DAE的R实现 101

6.5学习指南 105

第7章 受限玻耳兹曼机RBM 107

7.1 RBM原理 107

7.1.1玻耳兹曼机的四类知识 107

7.1.2能量和概率的作用 108

7.1.3联合概率分布表示的自编码网络 109

7.1.4模型学习的目标 109

7.2训练技巧 110

7.2.1技巧1:Gibbs采样 110

7.2.2技巧2:最小化KL距离 110

7.2.3技巧3:使用RLU激活函数 111

7.2.4技巧4:模拟退火 111

7.3对深度学习的质疑 112

7.4 RBM应用 112

7.4.1肝癌分类的RBM 113

7.4.2麻醉镇定作用预测的RBM 114

7.5 RBM的R实现 115

7.6学习指南 118

第8章 深度置信网络DBN 120

8.1 DBN原理 120

8.2应用案例 121

8.3 DBN的R实现 123

8.4学习指南 126

第9章MXNetR 128

9.1 MXNet技术特性 128

9.2 MXNetR安装 129

9.2.1安装MXNet基本需求 129

9.2.2 MXNet云设置 130

9.2.3 MXNet安装方法 130

9.2.4 MXNetR安装方法 131

9.2.5常见的安装问题 132

9.3 MXNetR在深度学习中的应用 133

9.3.1二分类模型 133

9.3.2回归模型与自定义神经网络 135

9.3.3手写数字竞赛 137

9.3.4图像识别应用 141

9.4学习指南 143

第10章word2vec的R语言实现 144

10.1 word2vec词向量由来 144

10.1.1统计语言模型 144

10.1.2神经网络概率语言模型 145

10.2 word2vec——词向量特征提取模型 145

10.2.1词向量 145

10.2.2 CBOW的分层网络结构——HCBOW 146

10.2.3 word2vec流程 150

10.3 word2 vec的R实现 151

10.3.1 tmcn.word2vec包 151

10.3.2 word2vec自编译函数 153

10.3.3使用tmcn. word2vec和word2 vec注意的问题 154

10.4学习指南 155

第11章R语言其他深度学习包 156

11.1 darch包 156

11.2 Rdbn包 161

11.2.1 Rdbn原理 161

11.2.2 Rdbn安装 161

11.2.3 Rdbn应用 162

11.3 H2O包 164

11.3.1 H2O原理 164

11.3.2 H2O应用 167

11.4 deepnet包 169

11.5 mbench包 171

11.6 AMORE包 175

11.7学习指南 177

附录 178

附录A深度学习发展史 178

附录B深度学习的未来——GAN 195

附录C R包分类 198

参考文献 201

后记 204

相关图书
作者其它书籍
返回顶部