神經網絡：R語言實現

購買商店

神經網絡：R語言實現

$354.00

馬上購買

內容描述

本書從神經網絡的基本概念出發，詳細介紹了神經網絡的學習過程、前向神經網絡、後向反饋神經網絡、循環和捲積神經網絡、多層神經網絡，感知神經網絡、深度神經網絡。在介紹神經網絡基本知識的同時，應用當前為廣泛使用的數據分析軟件R，演示了相關的神經網絡概念和模型的應用。同時，本書也介紹了當前流行的神經網絡模型的實現軟件包，例如TensorFlow、Keras等，並介紹瞭如何把它們集成到R的應用中。

目錄大綱

譯者序
關於作者
關於審稿人
前言
第1章神經網絡和人工智能概念1 
1.1簡介2 
1.2神經網絡的靈感3 
1.3神經網絡的工作原理4 
1.4分層方法5 
1.5權重和偏差6 
1.6訓練神經網絡7 
1.6.1有監督學習7 
1.6.2無監督學習7 
1.7 epoch 7 
1.8激活函數8 
1.9不同的激活函數8 
1.9.1線性函數8 
1.9.2單位階躍激活函數9 
1.9.3 sigmoid函數10 
1.9.4雙曲正切函數11 
1.9.5線性修正單元函數11 
1.10使用哪些激活函數12 
1.11感知機和多層架構13 
1.12前向和反向傳播13 
1.13逐步說明神經網絡和激活函數14 
1.14前饋和反饋網絡16 
1.15梯度下降17 
1.16神經網絡分類法17 
1.17使用R語言神經網絡添加包neuralnet()的簡單示例19 
1.18使用添加包nnet()進行實現24
1.19深度學習29 
1.20神經網絡的優缺點29 
1.21神經網絡實現的最佳實踐30 
1.22有關GPU處理的簡要說明30 
1.23小結31 
第2章神經網絡中的學習過程32 
2.1機器學習33 
2.1.1有監督學習34 
2.1.2無監督學習35 
2.1.3強化學習36 
2.2訓練和測試模型37 
2.3數據循環38 
2.4評估指標39 
2.5學習神經網絡42 
2.6反向傳播43 
2.7神經網絡學習算法的優化45 
2.8神經網絡中的有監督學習46 
2.8.1波士頓數據集46 
2.8.2對波士頓數據集進行神經網絡回歸48 
2.9神經網絡中的無監督學習54 
2.9.1競爭學習55 
2.9.2 Kohonen SOM 57 
2.10小結63 
第3章使用多層神經網絡進行深度學習64 
3.1 DNN簡介65 
3.2用於DNN的R語言67 
3.3通過neuralnet建立多層神經網絡69 
3.4使用H2O對DNN進行訓練和建模78
3.5使用H2O建立深度自動編碼器90 
3.6小結91 
第4章感知神經網絡建模—基本模型93 
4.1感知機及其應用93 
4.2簡單感知機—一個線性可分離分類器96 
4.3線性分離98 
4.4 R中的感知機函數101 
4.5多層感知機107 
4.6使用RSNNS在R中實現MLP 108 
4.7小結117 
第5章在R中訓練和可視化神經網絡119 
5.1使用神經網絡進行數據擬合120 
5.1.1探索性分析124 
5.1.2神經網絡模型126 
5.2使用神經網絡對乳腺癌進行分類135 
5.2.1探索性分析138 
5.2.2神經網絡模型143 
5.2.3網絡訓練階段146 
5.2.4測試神經網絡149 
5.3神經網絡訓練中的早期停止152 
5.4避免模型中的過擬合152 
5.5神經網絡的泛化154 
5.6神經網絡模型中數據的縮放154 
5.7集成神經網絡來預測155 
5.8小結156 
第6章循環和卷積神經網絡157 
6.1循環神經網絡158 
6.2 R中的添加包rnn 162
6.3 LSTM模型170 
6.4卷積神經網絡172 
6.5常見的CNN架構—LeNet 175 
6.6使用RNN進行濕度預測176 
6.7小結183 
第7章神經網絡案例—高級主題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使用數據集iris建立LSTM 199 
7.5使用自動編碼器203 
7.6使用H2O進行主成分分析204 
7.7使用H2O建立自動編碼器207 
7.8使用添加包darch檢測乳腺癌211 
7.9小結217