深度学习精要 基于R语言

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
集群\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\t137
6．2．1　网格搜索\t138
6．2．2　随机搜索\t139
6．3　小结\t151
参考文献\t152