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H2O 14
1.6.1 初始化H2O 15
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maxout 99
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