深度學(xué)習(xí)精要 基于R語言

目錄

第1章　深度學(xué)習(xí)入門\t1
1．1　什么是深度學(xué)習(xí)\t1
1．2　神經(jīng)網(wǎng)絡(luò)的概念
綜述\t2
1．3　深度神經(jīng)網(wǎng)絡(luò)\t6
1．4　用于深度學(xué)習(xí)的R包\t8
1．5　建立可重復(fù)的結(jié)果\t9
1．5．1　神經(jīng)網(wǎng)絡(luò)\t12
1．5．2　deepnet包\t13
1．5．3　darch包\t14
1．5．4　H2O包\t14
1．6　連接R和H2O\t14
1．6．1　初始化H2O\t15
1．6．2　數(shù)據(jù)集連結(jié)到H2O
集群\t17
1．7　小結(jié)\t19
第2章　訓(xùn)練預(yù)測(cè)模型\t20
2．1　R中的神經(jīng)網(wǎng)絡(luò)\t20
2．1．1　建立神經(jīng)網(wǎng)絡(luò)\t21
2．1．2　從神經(jīng)網(wǎng)絡(luò)生成
預(yù)測(cè)\t36
2．2　數(shù)據(jù)過擬合的問題—
結(jié)果的解釋\t38
2．3　用例—建立并運(yùn)用
神經(jīng)網(wǎng)絡(luò)\t41
2．4　小結(jié)\t47
第3章　防止過擬合\t48
3．1　L1罰函數(shù)\t49
3．2　L2罰函數(shù)\t53
3．2．1　L2罰函數(shù)實(shí)戰(zhàn)\t54
3．2．2　權(quán)重衰減（神經(jīng)網(wǎng)絡(luò)中的L2罰函數(shù)）\t55
3．3　集成和模型平均\t59
3．4　用例—使用丟棄提升樣本
外模型性能\t62
3．5　小結(jié)\t67
第4章　識(shí)別異常數(shù)據(jù)\t68
4．1　無監(jiān)督學(xué)習(xí)入門\t69
4．2　自動(dòng)編碼器如何工作\t70
4．3　在R中訓(xùn)練自動(dòng)編碼器\t73
4．4　用例—建立并運(yùn)用自動(dòng)
編碼器模型\t85
4．5　微調(diào)自動(dòng)編碼器模型\t90
4．6　小結(jié)\t95
第5章　訓(xùn)練深度預(yù)測(cè)模型\t96
5．1　深度前饋神經(jīng)網(wǎng)絡(luò)入門\t97
5．2　常用的激活函數(shù)—整流器、雙曲正切和maxout\t99
5．3　選取超參數(shù)\t101
5．4　從深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練和
預(yù)測(cè)新數(shù)據(jù)\t105
5．5　用例—為自動(dòng)分類生成
深度神經(jīng)網(wǎng)絡(luò)\t114
5．6　小結(jié)\t132
第6章　調(diào)節(jié)和優(yōu)化模型\t133
6．1　處理缺失數(shù)據(jù)\t134
6．2　低準(zhǔn)確度模型的解決
方案\t137
6．2．1　網(wǎng)格搜索\t138
6．2．2　隨機(jī)搜索\t139
6．3　小結(jié)\t151
參考文獻(xiàn)\t152