《深度学习与R语言》是由机械工业出版社出版的一本关于R语言方面的书籍，作者是程显毅，主要介绍了关于深度学习、R语言方面的知识内容，目前在R语言类书籍综合评分为：9.4分。
书籍介绍
假如您是大学老师，你就赶紧添加深度神经网络队伍，变成计算机科学技术专业领头人。
假如您是公司IT技术工程师，这就是你技术性转型发展的优良最佳时机，快速步入互联网时代。
假如您是刚大学毕业的在校大学生，这书为您变成数据分析师打下基础。
假如您是在校生，想尽早掌握大数据时代的关键技术，这书是您的一个挑选。近些年，深度神经网络可以说是深度学习方位的大牌明星定义，不一样的深度神经网络实体模型分別在图象处理与自然语言理解等每日任务中获得了史无前例的优异成绩。
在很多场所常有那样的要求“怎样对很感兴趣的行业迅速掌握和应用深度神经网络技术性?”参考答案涉及到繁杂的数学课、程序语言(如C、C++和Java)。但伴随着R的盛行,如今应用深度神经网络技术性比过去更非常容易。由于R易懂实用，不规定很扎扎实实的编程入门，它被普遍地运用于深度学习实践活动和课堂教学中。即便对R言语并不是很掌握的客户还可以根据一些包来构建深度神经网络互联网。
本书11章，分成原理篇（第1~8章）和运用篇（第9~11章）。原理篇依照深度神经网络的发展趋势全过程，关键探讨了浅部神经元网络、深度神经网络、卷积神经网络、递归神经元网络、自编号互联网、受到限制玻耳兹曼机和深层置信网。运用篇探讨R自然环境布署深度神经网络自然环境的一些对策，包含：MXNetR、H2O和别的深度神经网络R包及其一些典型性的运用。
这书可用来大学本科低年级设备课程学习教材或计算机科学课程内容课本，也能够对人工智能技术、深度学习很感兴趣的用户参照阅读文章。
目录
- 前言
- 第1章引言
- 1.1关于深度学习
- 1.1.1深度学习兴起的渊源
- 1.1.2深度学习总体框架
- 1.1.3深度学习本质
- 1.1.4深度学习应用
- 1.2前向反馈神经网络FNN
- 1.2.1多层感知器
- 1.2.2神经元的作用
- 1.2.3激活函数
- 1.2.4学习算法
- 1.3R语言基础
- 1.3.1入门
- 1.3.2基本语法
- 1.3.3数据
- 1.3.4绘图
- 1.3.5数据准备
- 1.3.6基本运算
- 1.4FNN的R实现
- 1.5学习指南
- 第2章深度神经网络DNN
- 2.1DNN原理
- 2.2DNN应用
- 2.2.1提高雾天视觉能见度
- 2.2.2打击黑客和网络犯罪
- 2.2.3图像压缩
- 2.2.4函数逼近
- 2.3DNN应用需要注意的一些问题
- 2.3.1神经元数量
- 2.3.2最佳层数的选择
- 2.3.3训练时间过长
- 2.3.4过拟合
- 2.4DNN应用技巧
- 2.5单响应变量DNN的R实现
- 2.6多响应变量DNN的R实现
- 2.7学习指南
- 第3章卷积神经网络CNN
- 3.1CNN原理
- 3.1.1局部感知
- 3.1.2权值共享
- 3.1.3多卷积核
- 3.1.4池化
- 3.2多层卷积
- 3.2.1ImageNet-2010网络结构
- 3.2.2DeepID网络结构
- 3.3CNN的R实现
- 3.4学习指南
- 第4章递归神经网络RNN
- 4.1RNN原理
- 4.2Elman网络
- 4.2.1承接层神经元的作用
- 4.2.2信息流动
- 4.2.3Elman网络应用
- 4.3Jordan网络
- 4.3.1Jordan网络结构
- 4.3.2Jordan网络应用
- 4.4RNN的R实现
- 4.5学习指南
- 第5章自编码网络AE
- 5.1无监督学习过程
- 5.2AE基本结构
- 5.2.1降维问题
- 5.2.2特征抽取
- 5.3稀疏自动编码网络SAE
- 5.3.1Kullback-Leibler散度
- 5.3.2使用SAE注意事项
- 5.4SAE的R实现
- 5.5学习指南
- 第6章堆栈自编码网络SA
- 6.1SA原理
- 6.2SA的R实现
- 6.3降噪自编码网络DAE
- 6.3.1随机掩蔽的椒盐噪声
- 6.3.2DAE基本任务
- 6.3.3标准化堆栈降噪自编码网络
- 6.4DAE的R实现
- 6.5学习指南
- 第7章受限玻耳兹曼机RBM
- 7.1RBM原理
- 7.1.1玻耳兹曼机的四类知识
- 7.1.2能量和概率的作用
- 7.1.3联合概率分布表示的自编码网络
- 7.1.4模型学习的目标
- 7.2训练技巧
- 7.2.1技巧1：Gibbs采样
- 7.2.2技巧2: 最小化KL距离
- 7.2.3技巧3：使用RLU激活函数
- 7.2.4技巧4：模拟退火
- 7.3对深度学习的质疑
- 7.4RBM应用
- 7.4.1肝癌分类的RBM
- 7.4.2麻醉镇定作用预测的RBM
- 7.5RBM的R实现
- 7.6学习指南
- 第8章深度置信网络DBN
- 8.1DBN原理
- 8.2应用案例
- 8.3DBN的R实现
- 8.4学习指南
- 第9章MXNetR
- 9.1MXNet技术特性
- 9.2MXNetR安装
- 9.2.1安装MXNet基本需求
- 9.2.2MXNet云设置
- 9.2.3MXNet安装方法
- 9.2.4MXNetR安装方法
- 9.2.5常见的安装问题
- 9.3MXNetR在深度学习中的应用
- 9.3.1二分类模型
- 9.3.2回归模型与自定义神经网络
- 9.3.3手写数字竞赛
- 9.3.4图像识别应用
- 9.4学习指南
- 第10章word2vec的R语言实现
- 10.1word2vec词向量由来
- 10.1.1统计语言模型
- 10.1.2神经网络概率语言模型
- 10.2word2vec——词向量特征提取模型
- 10.2.1词向量
- 10.2.2CBOW的分层网络结构——HCBOW
- 10.2.3word2vec流程
- 10.3word2vec 的R实现
- 10.3.1tmcn.word2vec包
- 10.3.2word2vec自编译函数
- 10.3.3使用tmcn.word2vec和word2vec注意的问题
- 10.4学习指南
- 第11章R语言其他深度学习包
- 11.1darch包
- 11.2Rdbn包
- 11.2.1Rdbn原理
- 11.2.2Rdbn安装
- 11.2.3Rdbn应用
- 11.3H2O 包
- 11.3.1H2O原理
- 11.3.2H2O应用
- 11.4deepnet包
- 11.5mbench包
- 11.6AMORE包
- 11.7学习指南
- 附录
- 附录A深度学习发展史
- 附录B深度学习的未来——GAN
- 附录CR包分类
- 参考文献
- 后记
