第1章 入门 1
1.1介绍 1
1.2安装R及其IDE 2
1.2.1准备 2
1.2.2怎么做 2
1.3安装Jupyter Notebook应用 3
1.3.1怎么做 3
1.3.2更多内容 5
1.4从R机器学习基础开始 5
1.4.1怎么做 6
1.4.2工作原理 9
1.5在R中安装深度学习的工具/包 11
1.6在R中安装MXNet 11
1.6.1做好准备 11
1.6.2怎么做 12
1.7在R中安装TensorFlow 13
1.7.1做好准备 13
1.7.2怎么做 14
1.7.3工作原理 15
1.8在R中安装H2O 15
1.8.1做好准备 15
1.8.2怎么做 16
1.8.3工作原理 17
1.8.4更多内容 20
1.9使用Docker一次安装3个包 20
1.9.1做好准备 20
1.9.2怎么做 21
1.9.3更多内容 22
第2章 R深度学习 23
2.1始于逻辑回归 23
2.1.1做好准备 23
2.1.2怎么做 24
2.2介绍数据集 25
2.2.1做好准备 25
2.2.2怎么做 25
2.3使用H2O执行逻辑回归 26
2.3.1做好准备 26
2.3.2怎么做 27
2.3.3工作原理 28
2.4使用TensorFlow执行逻辑回归 30
2.4.1做好准备 30
2.4.2怎么做 30
2.4.3工作原理 32
2.5可视化TensorFlow图 33
2.5.1做好准备 33
2.5.2怎么做 34
2.5.3工作原理 36
2.6从多层感知器开始 37
2.6.1做好准备 37
2.6.2怎么做 38
2.6.3更多内容 38
2.7使用H2O建立神经网络 39
2.7.1做好准备 39
2.7.2怎么做 39
2.7.3工作原理 41
2.8使用H2O中的网格搜索调整超参数 42
2.8.1做好准备 42
2.8.2怎么做 42
2.8.3工作原理 43
2.9使用MXNet建立神经网络 44
2.9.1做好准备 44
2.9.2怎么做 44
2.9.3工作原理 46
2.10使用TensorFlow建立神经网络 46
2.10.1做好准备 46
2.10.2怎么做 46
2.10.3工作原理 49
2.10.4更多内容 50
第3章 卷积神经网络 52
3.1介绍 52
3.2下载并配置图像数据集 53
3.2.1做好准备 54
3.2.2怎么做 54
3.2.3工作原理 57
3.3学习CNN分类器的架构 58
3.3.1做好准备 58
3.3.2怎么做 58
3.3.3工作原理 59
3.4使用函数初始化权重和偏差 60
3.4.1做好准备 61
3.4.2怎么做 61
3.4.3工作原理 61
3.5使用函数创建一个新的卷积层 61
3.5.1做好准备 61
3.5.2怎么做 62
3.5.3工作原理 64
3.6使用函数创建一个扁平化的卷积层 65
3.6.1做好准备 65
3.6.2怎么做 65
3.6.3工作原理 65
3.7使用函数扁平化密集连接层 66
3.7.1做好准备 66
3.7.2怎么做 66
3.7.3工作原理 67
3.8定义占位符变量 67
3.8.1做好准备 67
3.8.2怎么做 67
3.8.3工作原理 68
3.9创建第一个卷积层 68
3.9.1做好准备 69
3.9.2怎么做 69
3.9.3工作原理 70
3.10创建第二个卷积层 70
3.10.1做好准备 70
3.10.2怎么做 71
3.10.3工作原理 71
3.11扁平化第二个卷积层 72
3.11.1做好准备 72
3.11.2怎么做 72
3.11.3工作原理 72
3.12创建第一个完全连接的层 73
3.12.1做好准备 73
3.12.2怎么做 73
3.12.3工作原理 73
3.13将dropout应用于第一个完全连接的层 73
3.13.1做好准备 74
3.13.2怎么做 74
3.13.3工作原理 74
3.14创建第二个带有dropout的完全连接层 74
3.14.1做好准备 74
3.14.2怎么做 75
3.14.3工作原理 75
3.15应用Softmax激活以获得预测的类 75
3.15.1做好准备 75
3.15.2怎么做 75
3.16定义用于优化的成本函数 76
3.16.1做好准备 76
3.16.2怎么做 76
3.16.3工作原理 76
3.17执行梯度下降成本优化 77
3.17.1做好准备 77
3.17.2怎么做 77
3.18在TensorFlow会话中执行图 77
3.18.1做好准备 77
3.18.2怎么做 78
3.18.3工作原理 78
3.19评估测试数据的性能 79
3.19.1做好准备 79
3.19.2怎么做 79
3.19.3工作原理 81
第4章 使用自动编码器的数据表示 83
4.1介绍 83
4.2构建自动编码器 84
4.2.1做好准备 85
4.2.2怎么做 85
4.3数据归一化 86
4.3.1做好准备 86
4.3.2怎么做 88
4.4构建正则自动编码器 92
4.4.1做好准备 92
4.4.2怎么做 92
4.4.3工作原理 92
4.5微调自动编码器的参数 93
4.6构建栈式自动编码器 94
4.6.1做好准备 94
4.6.2怎么做 95
4.7构建降噪自动编码器 96
4.7.1做好准备 96
4.7.2怎么做 96
4.7.3工作原理 101
4.8构建并比较随机编码器和解码器 102
4.8.1做好准备 103
4.8.2怎么做 103
4.9从自动编码器学习流形 109
4.10评估稀疏分解 113
4.10.1做好准备 114
4.10.2怎么做 114
4.10.3工作原理 115
第5章 深度学习中的生成模型 116
5.1比较主成分分析和受限玻尔兹曼机 116
5.1.1做好准备 117
5.1.2怎么做 118
5.2为伯努利分布输入配置受限玻尔兹曼机 121
5.2.1做好准备 122
5.2.2怎么做 122
5.3训练受限玻尔兹曼机 122
5.3.1做好准备 123
5.3.2怎么做 123
5.4 RBM的反向或重构阶段 124
5.4.1做好准备 124
5.4.2怎么做 124
5.5了解重构的对比散度 125
5.5.1做好准备 125
5.5.2怎么做 125
5.5.3工作原理 126
5.6初始化并启动一个新的TensorFlow会话 126
5.6.1做好准备 126
5.6.2怎么做 127
5.6.3工作原理 128
5.7评估RBM的输出 129
5.7.1做好准备 130
5.7.2怎么做 130
5.7.3工作原理 131
5.8为协同过滤构建一个受限玻尔兹曼机 132
5.8.1做好准备 132
5.8.2怎么做 132
5.9执行一个完整的RBM训练 135
5.9.1做好准备 137
5.9.2怎么做 137
5.10构建深度信念网络 139
5.10.1做好准备 140
5.10.2怎么做 141
5.10.3工作原理 144
5.11实现前馈反向传播神经网络 145
5.11.1做好准备 145
5.11.2怎么做 146
5.11.3工作原理 150
5.12建立一个深度受限玻尔兹曼机 150
5.12.1做好准备 150
5.12.2怎么做 151
5.12.3工作原理 156
第6章 循环神经网络 157
6.1建立一个基本的循环神经网络 157
6.1.1做好准备 157
6.1.2怎么做 158
6.1.3工作原理 160
6.2建立一个双向RNN模型 161
6.2.1做好准备 162
6.2.2怎么做 162
6.3建立一个深度RNN模型 165
6.4建立一个基于长短期记忆的序列模型 166
6.4.1怎么做 167
6.4.2工作原理 167
第7章 强化学习 170
7.1介绍 170
7.2建立马尔可夫决策过程 171
7.2.1做好准备 171
7.2.2怎么做 172
7.3执行基于模型的学习 177
7.4进行无模型学习 180
7.4.1做好准备 180
7.4.2怎么做 181
第8章 深度学习在文本挖掘中的应用 185
8.1对文本数据进行预处理并提取情感 185
8.1.1怎么做 185
8.1.2工作原理 191
8.2使用tf-idf分析文档 192
8.2.1怎么做 192
8.2.2工作原理 194
8.3使用LSTM网络执行情感预测 194
8.3.1怎么做 194
8.3.2工作原理 198
8.4使用text2vec示例的应用程序 198
8.4.1怎么做 198
8.4.2工作原理 201
第9章 深度学习在信号处理中的应用 202
9.1介绍并预处理音乐MIDI文件 202
9.1.1做好准备 202
9.1.2怎么做 203
9.2建立RBM模型 204
9.2.1做好准备 204
9.2.2怎么做 204
9.3生成新的音符 206
第10章 迁移学习 208
10.1介绍 208
10.2举例说明预训练模型的使用 209
10.2.1做好准备 210
10.2.2怎么做 210
10.3构建迁移学习模型 213
10.3.1做好准备 213
10.3.2怎么做 213
10.4构建图像分类模型 216
10.4.1做好准备 216
10.4.2怎么做 216
10.5在GPU上训练深度学习模型 219
10.5.1做好准备 219
10.5.2怎么做 220
10.6比较使用CPU和GPU的性能 221
10.6.1做好准备 221
10.6.2怎么做 222
10.6.3更多内容 224
10.6.4另请参阅 224