内容简介
本书重点介绍如何将R语言和深度学习模型或深度神经网络结合起来，解决实际的应用需求。全书共6章，分别介绍了深度这习基础知识、训练预测模型、如何防止过拟合、识别异常数据、训练深度预测模型以及调节和优化模型等内容。本书适合了解机器学习概念和R语言并想要使用R提供的包来探索深度学习应用的读者学习参考。
作者简介
机器学习、深度学习、人工智能等相关领域的读者，高校计算机专业的学生。机器学习、深度学习、人工智能等相关领域的读者，高校计算机专业的学生。
目录
- 第1章 深度学习入门\t1
- 1．1 什么是深度学习\t1
- 1．2 神经网络的概念综述\t2
- 1．3 深度神经网络\t6
- 1．4 用于深度学习的R包\t8
- 1．5 建立可重复的结果\t9
- 1．5．1 神经网络\t12
- 1．5．2 deepnet包\t13
- 1．5．3 darch包\t14
- 1．5．4 H2O包\t14
- 1．6 连接R和H2O\t14
- 1．6．1 初始化H2O\t15
- 1．6．2 数据集连结到H2O集裙\t17
- 1．7 小结\t19
- 第2章 训练预测模型\t20
- 2．1 R中的神经网络\t20
- 2．1．1 建立神经网络\t21
- 2．1．2 从神经网络生成预测\t36
- 2．2 数据过拟合的问题—结果的解释\t38
- 2．3 用例—建立并运用神经网络\t41
- 2．4 小结\t47
- 第3章 防止过拟合\t48
- 3．1 L1罚函数\t49
- 3．2 L2罚函数\t53
- 3．2．1 L2罚函数实战\t54
- 3．2．2 权重衰减（神经网络中的L2罚函数）\t55
- 3．3 集成和模型平均\t59
- 3．4 用例—使用丢弃提升样本外模型性能\t62
- 3．5 小结\t67
- 第4章 识别异常数据\t68
- 4．1 无监督学习入门\t69
- 4．2 自动编码器如何工作\t70
- 4．3 在R中训练自动编码器\t73
- 4．4 用例—建立并运用自动编码器模型\t85
- 4．5 微调自动编码器模型\t90
- 4．6 小结\t95
- 第5章 训练深度预测模型\t96
- 5．1 深度前馈神经网络入门\t97
- 5．2 常用的激活函数—整流器、双曲正切和maxout\t99
- 5．3 选取超参数\t101
- 5．4 从深度神经网络训练和预测新数据\t105
- 5．5 用例—为自动分类生成深度神经网络\t114
- 5．6 小结\t132
- 第6章 调节和优化模型\t133
- 6．1 处理缺失数据\t134
- 6．2 低准确度模型的解决方案\t13
