中圖網小程序
一鍵登錄
更方便
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應用
-
>
決戰行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優實踐之路
-
>
第一行代碼Android
-
>
JAVA持續交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
深度學習與R語言 版權信息
- ISBN：9787111570738
- 條形碼：9787111570738 ; 978-7-111-57073-8
- 裝幀：暫無
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
深度學習與R語言 本書特色
近年來，深度學習可謂是機器學習方向的明星概念，不同的深度學習模型分別在圖像處理與自然語言處理等任務中取得了前所未有的好成績。
在許多場合都有這樣的需求“如何對感興趣的領域快速理解和使用深度學習技術?”答案涉及復雜的數學、編程語言(如C、C 和Java)。但隨著R的興起,現在使用深度學習技術比以往更容易。因為R易學易用，不要求很扎實的編程基礎，它被廣泛地應用于機器學習實踐和教學中。即使對R語言不是很了解的用戶也可以通過一些包來搭建深度學習網絡。
全書11章，分為原理篇（第1~8章）和應用篇（第9~11章）。原理篇按照深度學習的發展過程，主要討論了淺層神經網絡、深度神經網絡、卷積神經網絡、遞歸神經網絡、自編碼網絡、受限玻耳茲曼機和深度置信網。應用篇討論R環境部署深度學習環境的一些策略，包括：MXNetR、H2O和其他深度學習R包以及一些典型的應用。
本書可用作本科高年級機器學習課程參考書或數據科學課程教材，也可供對人工智能、機器學習感興趣的讀者參考閱讀。
深度學習與R語言 內容簡介
如果您是大學教師，那就趕快加入深度學習行列，成為數據科學專業帶頭人。
如果您是企業IT工程師，這是你技術轉型的良好時機，迅速邁入大數據時代。
如果您是剛畢業的大學生，本書為您成為數據分析師奠定基礎。
如果您是在校學生，想盡快了解智能時代的核心技術，本書是您的一個選擇。
深度學習與R語言 目錄
前言
第1章引言
1.1關于深度學習
1.1.1深度學習興起的淵源
1.1.2深度學習總體框架
1.1.3深度學習本質
1.1.4深度學習應用
1.2前向反饋神經網絡FNN
1.2.1多層感知器
1.2.2神經元的作用
1.2.3激活函數
1.2.4學習算法
1.3R語言基礎
1.3.1入門
1.3.2基本語法
1.3.3數據
1.3.4繪圖
1.3.5數據準備
1.3.6基本運算
1.4FNN的R實現
1.5學習指南
第2章深度神經網絡DNN
2.1DNN原理
2.2DNN應用
2.2.1提高霧天視覺能見度
2.2.2打擊黑客和網絡犯罪
2.2.3圖像壓縮
2.2.4函數逼近
2.3DNN應用需要注意的一些問題
2.3.1神經元數量
2.3.2*佳層數的選擇
2.3.3訓練時間過長
2.3.4過擬合
2.4DNN應用技巧
2.5單響應變量DNN的R實現
2.6多響應變量DNN的R實現
2.7學習指南
第3章卷積神經網絡CNN
3.1CNN原理
3.1.1局部感知
3.1.2權值共享
3.1.3多卷積核
3.1.4池化
3.2多層卷積
3.2.1ImageNet-2010網絡結構
3.2.2DeepID網絡結構
3.3CNN的R實現
3.4學習指南
第4章遞歸神經網絡RNN
4.1RNN原理
4.2Elman網絡
4.2.1承接層神經元的作用
4.2.2信息流動
4.2.3Elman網絡應用
4.3Jordan網絡
4.3.1Jordan網絡結構
4.3.2Jordan網絡應用
4.4RNN的R實現
4.5學習指南
第5章自編碼網絡AE
5.1無監督學習過程
5.2AE基本結構
5.2.1降維問題
5.2.2特征抽取
5.3稀疏自動編碼網絡SAE
5.3.1Kullback-Leibler散度
5.3.2使用SAE注意事項
5.4SAE的R實現
5.5學習指南
第6章堆棧自編碼網絡SA
6.1SA原理
6.2SA的R實現
6.3降噪自編碼網絡DAE
6.3.1隨機掩蔽的椒鹽噪聲
6.3.2DAE基本任務
6.3.3標準化堆棧降噪自編碼網絡
6.4DAE的R實現
6.5學習指南
第7章受限玻耳茲曼機RBM
7.1RBM原理
7.1.1玻耳茲曼機的四類知識
7.1.2能量和概率的作用
7.1.3聯合概率分布表示的自編碼網絡
7.1.4模型學習的目標
7.2訓練技巧
7.2.1技巧1：Gibbs采樣
7.2.2技巧2: *小化KL距離
7.2.3技巧3：使用RLU激活函數
7.2.4技巧4：模擬退火
7.3對深度學習的質疑
7.4RBM應用
7.4.1肝癌分類的RBM
7.4.2麻醉鎮定作用預測的RBM
7.5RBM的R實現
7.6學習指南
第8章深度置信網絡DBN
8.1DBN原理
8.2應用案例
8.3DBN的R實現
8.4學習指南
第9章MXNetR
9.1MXNet技術特性
9.2MXNetR安裝
9.2.1安裝MXNet基本需求
9.2.2MXNet云設置
9.2.3MXNet安裝方法
9.2.4MXNetR安裝方法
9.2.5常見的安裝問題
9.3MXNetR在深度學習中的應用
9.3.1二分類模型
9.3.2回歸模型與自定義神經網絡
9.3.3手寫數字競賽
9.3.4圖像識別應用
9.4學習指南
第10章word2vec的R語言實現
10.1word2vec詞向量由來
10.1.1統計語言模型
10.1.2神經網絡概率語言模型
10.2word2vec——詞向量特征提取模型
10.2.1詞向量
10.2.2CBOW的分層網絡結構——HCBOW
10.2.3word2vec流程
10.3word2vec 的R實現
10.3.1tmcn.word2vec包
10.3.2word2vec自編譯函數
10.3.3使用tmcn.word2vec和word2vec注意的問題
10.4學習指南
第11章R語言其他深度學習包
11.1darch包
11.2Rdbn包
11.2.1Rdbn原理
11.2.2Rdbn安裝
11.2.3Rdbn應用
11.3H2O 包
11.3.1H2O原理
11.3.2H2O應用
11.4deepnet包
11.5mbench包
11.6AMORE包
11.7學習指南
附錄
附錄A深度學習發展史
附錄B深度學習的未來——GAN
附錄CR包分類
參考文獻
后記
第1章引言
1.1關于深度學習
1.1.1深度學習興起的淵源
1.1.2深度學習總體框架
1.1.3深度學習本質
1.1.4深度學習應用
1.2前向反饋神經網絡FNN
1.2.1多層感知器
1.2.2神經元的作用
1.2.3激活函數
1.2.4學習算法
1.3R語言基礎
1.3.1入門
1.3.2基本語法
1.3.3數據
1.3.4繪圖
1.3.5數據準備
1.3.6基本運算
1.4FNN的R實現
1.5學習指南
第2章深度神經網絡DNN
2.1DNN原理
2.2DNN應用
2.2.1提高霧天視覺能見度
2.2.2打擊黑客和網絡犯罪
2.2.3圖像壓縮
2.2.4函數逼近
2.3DNN應用需要注意的一些問題
2.3.1神經元數量
2.3.2*佳層數的選擇
2.3.3訓練時間過長
2.3.4過擬合
2.4DNN應用技巧
2.5單響應變量DNN的R實現
2.6多響應變量DNN的R實現
2.7學習指南
第3章卷積神經網絡CNN
3.1CNN原理
3.1.1局部感知
3.1.2權值共享
3.1.3多卷積核
3.1.4池化
3.2多層卷積
3.2.1ImageNet-2010網絡結構
3.2.2DeepID網絡結構
3.3CNN的R實現
3.4學習指南
第4章遞歸神經網絡RNN
4.1RNN原理
4.2Elman網絡
4.2.1承接層神經元的作用
4.2.2信息流動
4.2.3Elman網絡應用
4.3Jordan網絡
4.3.1Jordan網絡結構
4.3.2Jordan網絡應用
4.4RNN的R實現
4.5學習指南
第5章自編碼網絡AE
5.1無監督學習過程
5.2AE基本結構
5.2.1降維問題
5.2.2特征抽取
5.3稀疏自動編碼網絡SAE
5.3.1Kullback-Leibler散度
5.3.2使用SAE注意事項
5.4SAE的R實現
5.5學習指南
第6章堆棧自編碼網絡SA
6.1SA原理
6.2SA的R實現
6.3降噪自編碼網絡DAE
6.3.1隨機掩蔽的椒鹽噪聲
6.3.2DAE基本任務
6.3.3標準化堆棧降噪自編碼網絡
6.4DAE的R實現
6.5學習指南
第7章受限玻耳茲曼機RBM
7.1RBM原理
7.1.1玻耳茲曼機的四類知識
7.1.2能量和概率的作用
7.1.3聯合概率分布表示的自編碼網絡
7.1.4模型學習的目標
7.2訓練技巧
7.2.1技巧1：Gibbs采樣
7.2.2技巧2: *小化KL距離
7.2.3技巧3：使用RLU激活函數
7.2.4技巧4：模擬退火
7.3對深度學習的質疑
7.4RBM應用
7.4.1肝癌分類的RBM
7.4.2麻醉鎮定作用預測的RBM
7.5RBM的R實現
7.6學習指南
第8章深度置信網絡DBN
8.1DBN原理
8.2應用案例
8.3DBN的R實現
8.4學習指南
第9章MXNetR
9.1MXNet技術特性
9.2MXNetR安裝
9.2.1安裝MXNet基本需求
9.2.2MXNet云設置
9.2.3MXNet安裝方法
9.2.4MXNetR安裝方法
9.2.5常見的安裝問題
9.3MXNetR在深度學習中的應用
9.3.1二分類模型
9.3.2回歸模型與自定義神經網絡
9.3.3手寫數字競賽
9.3.4圖像識別應用
9.4學習指南
第10章word2vec的R語言實現
10.1word2vec詞向量由來
10.1.1統計語言模型
10.1.2神經網絡概率語言模型
10.2word2vec——詞向量特征提取模型
10.2.1詞向量
10.2.2CBOW的分層網絡結構——HCBOW
10.2.3word2vec流程
10.3word2vec 的R實現
10.3.1tmcn.word2vec包
10.3.2word2vec自編譯函數
10.3.3使用tmcn.word2vec和word2vec注意的問題
10.4學習指南
第11章R語言其他深度學習包
11.1darch包
11.2Rdbn包
11.2.1Rdbn原理
11.2.2Rdbn安裝
11.2.3Rdbn應用
11.3H2O 包
11.3.1H2O原理
11.3.2H2O應用
11.4deepnet包
11.5mbench包
11.6AMORE包
11.7學習指南
附錄
附錄A深度學習發展史
附錄B深度學習的未來——GAN
附錄CR包分類
參考文獻
后記
展開全部
書友推薦
- >
伊索寓言-世界文學名著典藏-全譯本
- >
經典常談
- >
有舍有得是人生
- >
名家帶你讀魯迅:故事新編
- >
伯納黛特,你要去哪(2021新版)
- >
苦雨齋序跋文-周作人自編集
- >
朝聞道
- >
詩經-先民的歌唱
本類暢銷
