本书涵盖了各种类型的神经网络，包括循环神经网络、卷积神经网络、多层神经网络、感知神经网络等。你将不仅学习如何训练神经网络，还可以探索这些神经网络的泛化。之后，将深入研究不同的神经网络模型，并与现实世界的案例相结合。
封面图
目录
- 译者序
- 关于作者
- 关于审稿人
- 前言
- 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
- 1.7epoch 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
- 1.9.3sigmoid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
- 2.9.2Kohonen 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
- 3.1DNN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
- 4.4R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
- 6.2R中的添加包rnn 162
- 6.3LSTM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
- 7.1TensorFlow与R的集成 186
- 7.2Keras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
