神經(jīng)網(wǎng)絡(luò)：R語(yǔ)言實(shí)現(xiàn)

譯者序 

關(guān)于作者 

關(guān)于審稿人 

前言 

第1章　神經(jīng)網(wǎng)絡(luò)和人工智能概念 1 

1.1　簡(jiǎn)介 2 

1.2　神經(jīng)網(wǎng)絡(luò)的靈感 3 

1.3　神經(jīng)網(wǎng)絡(luò)的工作原理 4 

1.4　分層方法 5 

1.5　權(quán)重和偏差 6 

1.6　訓(xùn)練神經(jīng)網(wǎng)絡(luò) 7 

1.6.1　有監(jiān)督學(xué)習(xí) 7 

1.6.2　無(wú)監(jiān)督學(xué)習(xí) 7 

1.7　epoch 7 

1.8　激活函數(shù) 8 

1.9　不同的激活函數(shù) 8 

1.9.1　線性函數(shù) 8 

1.9.2　單位階躍激活函數(shù) 9 

1.9.3　sigmoid函數(shù) 10 

1.9.4　雙曲正切函數(shù) 11 

1.9.5　線性修正單元函數(shù) 11 

1.10　使用哪些激活函數(shù) 12 

1.11 感知機(jī)和多層架構(gòu) 13 

1.12 前向和反向傳播 13 

1.13　逐步說(shuō)明神經(jīng)網(wǎng)絡(luò)和激活函數(shù) 14 

1.14　前饋和反饋網(wǎng)絡(luò) 16 

1.15　梯度下降 17 

1.16　神經(jīng)網(wǎng)絡(luò)分類法 17 

1.17　使用R語(yǔ)言神經(jīng)網(wǎng)絡(luò)添加包neuralnet()的簡(jiǎn)單示例 19 

1.18　使用添加包nnet()進(jìn)行實(shí)現(xiàn) 24 

1.19　深度學(xué)習(xí) 29 

1.20　神經(jīng)網(wǎng)絡(luò)的優(yōu)缺點(diǎn) 29 

1.21　神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)的最佳實(shí)踐 30 

1.22　有關(guān)GPU處理的簡(jiǎn)要說(shuō)明 30 

1.23　小結(jié) 31 

第2章　神經(jīng)網(wǎng)絡(luò)中的學(xué)習(xí)過(guò)程 32 

2.1　機(jī)器學(xué)習(xí) 33 

2.1.1　有監(jiān)督學(xué)習(xí) 34 

2.1.2　無(wú)監(jiān)督學(xué)習(xí) 35 

2.1.3　強(qiáng)化學(xué)習(xí) 36 

2.2　訓(xùn)練和測(cè)試模型 37 

2.3　數(shù)據(jù)循環(huán) 38 

2.4　評(píng)估指標(biāo) 39 

2.5　學(xué)習(xí)神經(jīng)網(wǎng)絡(luò) 42 

2.6　反向傳播 43 

2.7　神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法的優(yōu)化 45 

2.8　神經(jīng)網(wǎng)絡(luò)中的有監(jiān)督學(xué)習(xí) 46 

2.8.1　波士頓數(shù)據(jù)集 46 

2.8.2　對(duì)波士頓數(shù)據(jù)集進(jìn)行神經(jīng)網(wǎng)絡(luò)回歸 48 

2.9　神經(jīng)網(wǎng)絡(luò)中的無(wú)監(jiān)督學(xué)習(xí) 54 

2.9.1　競(jìng)爭(zhēng)學(xué)習(xí) 55 

2.9.2　Kohonen SOM 57 

2.10　小結(jié) 63 

第3章　使用多層神經(jīng)網(wǎng)絡(luò)進(jìn)行深度學(xué)習(xí) 64 

3.1　DNN簡(jiǎn)介 65 

3.2　用于DNN的R語(yǔ)言 67 

3.3　通過(guò)neuralnet建立多層神經(jīng)網(wǎng)絡(luò) 69 

3.4　使用H2O對(duì)DNN進(jìn)行訓(xùn)練和建模 78 

3.5　使用H2O建立深度自動(dòng)編碼器 90 

3.6　小結(jié) 91 

第4章　感知神經(jīng)網(wǎng)絡(luò)建?！灸Ｐ?nbsp;93 

4.1　感知機(jī)及其應(yīng)用 93 

4.2　簡(jiǎn)單感知機(jī)—一個(gè)線性可分離分類器 96 

4.3　線性分離 98 

4.4　R中的感知機(jī)函數(shù) 101 

4.5　多層感知機(jī) 107 

4.6　使用RSNNS在R中實(shí)現(xiàn)MLP 108 

4.7　小結(jié) 117 

第5章　在R中訓(xùn)練和可視化神經(jīng)網(wǎng)絡(luò) 119 

5.1　使用神經(jīng)網(wǎng)絡(luò)進(jìn)行數(shù)據(jù)擬合 120 

5.1.1　探索性分析 124 

5.1.2　神經(jīng)網(wǎng)絡(luò)模型 126 

5.2　使用神經(jīng)網(wǎng)絡(luò)對(duì)乳腺癌進(jìn)行分類 135 

5.2.1　探索性分析 138 

5.2.2　神經(jīng)網(wǎng)絡(luò)模型 143 

5.2.3　網(wǎng)絡(luò)訓(xùn)練階段 146 

5.2.4　測(cè)試神經(jīng)網(wǎng)絡(luò) 149 

5.3　神經(jīng)網(wǎng)絡(luò)訓(xùn)練中的早期停止 152 

5.4　避免模型中的過(guò)擬合 152 

5.5　神經(jīng)網(wǎng)絡(luò)的泛化 154 

5.6　神經(jīng)網(wǎng)絡(luò)模型中數(shù)據(jù)的縮放 154 

5.7　集成神經(jīng)網(wǎng)絡(luò)來(lái)預(yù)測(cè) 155 

5.8　小結(jié) 156 

第6章　循環(huán)和卷積神經(jīng)網(wǎng)絡(luò) 157 

6.1　循環(huán)神經(jīng)網(wǎng)絡(luò) 158 

6.2　R中的添加包rnn 162 

6.3　LSTM模型 170 

6.4　卷積神經(jīng)網(wǎng)絡(luò) 172 

6.5　常見的CNN架構(gòu)—LeNet 175 

6.6　使用RNN進(jìn)行濕度預(yù)測(cè) 176 

6.7　小結(jié) 183 

第7章　神經(jīng)網(wǎng)絡(luò)案例—高級(jí)主題 185 

7.1　TensorFlow與R的集成 186 

7.2　Keras與R的集成 189 

7.3　在R中使用MNIST HWR 190 

7.4　使用數(shù)據(jù)集iris建立LSTM 199 

7.5　使用自動(dòng)編碼器 203 

7.6　使用H2O進(jìn)行主成分分析 204 

7.7　使用H2O建立自動(dòng)編碼器 207 

7.8　使用添加包darch檢測(cè)乳腺癌 211 

7.9　小結(jié) 217