第1章 神经网络和人工智能概念 1
1.1 简介 2
1.2 神经网络的灵感 3
1.3 神经网络的工作原理 4
1.4 分层方法 5
1.5 权重和偏差 6
1.6 训练神经网络 7
1.6.1 有监督学习 7
1.6.2 无监督学习 7
1.7 epoch 7
1.8 激活函数 8
1.9 不同的激活函数 8
1.9.1 线性函数 8
1.9.2 单位阶跃激活函数 9
1.9.3 sigmoid函数 10
1.9.4 双曲正切函数 11
1.9.5 线性修正单元函数 11
1.10 使用哪些激活函数 12
1.11 感知机和多层架构 13
1.12 前向和反向传播 13
1.13 逐步说明神经网络和激活函数 14
1.14 前馈和反馈网络 16
1.15 梯度下降 17
1.16 神经网络分类法 17
1.17 使用R语言神经网络添加包neuralnet（）的简单示例 19
1.18 使用添加包nnet（）进行实现 24
1.19 深度学习 29
1.20 神经网络的优缺点 29
1.21 神经网络实现的最佳实践 30
1.22 有关GPU处理的简要说明 30
1.23 小结 31
第2章 神经网络中的学习过程 32
2.1 机器学习 33
2.1.1 有监督学习 34
2.1.2 无监督学习 35
2.1.3 强化学习 36
2.2 训练和测试模型 37
2.3 数据循环 38
2.4 评估指标 39
2.5 学习神经网络 42
2.6 反向传播 43
2.7 神经网络学习算法的优化 45
2.8 神经网络中的有监督学习 46
2.8.1 波士顿数据集 46
2.8.2 对波士顿数据集进行神经网络回归 48
2.9 神经网络中的无监督学习 54
2.9.1 竞争学习 55
2.9.2 Kohonen SOM 57
2.10 小结 63
第3章 使用多层神经网络进行深度学习 64
3.1 DNN简介 65
3.2 用于DNN的R语言 67
3.3 通过neuralnet建立多层神经网络 69
3.4 使用H2O对DNN进行训练和建模 78
3.5 使用H2O建立深度自动编码器 90
3.6 小结 91
第4章 感知神经网络建模——基本模型 93
4.1 感知机及其应用 93
4.2 简单感知机——一个线性可分离分类器 96
4.3 线性分离 98
4.4 R中的感知机函数 101
4.5 多层感知机 107
4.6 使用RSNNS在R中实现MLP 108
4.7 小结 117
第5章 在R中训练和可视化神经网络 119
5.1 使用神经网络进行数据拟合 120
5.1.1 探索性分析 124
5.1.2 神经网络模型 126
5.2 使用神经网络对乳腺癌进行分类 135
5.2.1 探索性分析 138
5.2.2 神经网络模型 143
5.2.3 网络训练阶段 146
5.2.4 测试神经网络 149
5.3 神经网络训练中的早期停止 152
5.4 避免模型中的过拟合 152
5.5 神经网络的泛化 154
5.6 神经网络模型中数据的缩放 154
5.7 集成神经网络来预测 155
5.8 小结 156
第6章 循环和卷积神经网络 157
6.1 循环神经网络 158
6.2 R中的添加包rnn 162
6.3 LSTM模型 170
6.4 卷积神经网络 172
6.5 常见的CNN架构——LeNet 175
6.6 使用RNN进行湿度预测 176
6.7 小结 183
第7章 神经网络案例——高级主题 185
7.1 TensorFlow与R的集成 186
7.2 Keras与R的集成 189
7.3 在R中使用MNIST HWR 190
7.4 使用数据集iris建立LSTM 199
7.5 使用自动编码器 203
7.6 使用H2O进行主成分分析 204
7.7 使用H2O建立自动编码器 207
7.8 使用添加包darch检测乳腺癌 211
7.9 小结 217