深度學習精要 基于R語言

目錄

第1章　深度學習入門\t1
1．1　什么是深度學習\t1
1．2　神經(jīng)網(wǎng)絡的概念
綜述\t2
1．3　深度神經(jīng)網(wǎng)絡\t6
1．4　用于深度學習的R包\t8
1．5　建立可重復的結果\t9
1．5．1　神經(jīng)網(wǎng)絡\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)集連結到H2O
集群\t17
1．7　小結\t19
第2章　訓練預測模型\t20
2．1　R中的神經(jīng)網(wǎng)絡\t20
2．1．1　建立神經(jīng)網(wǎng)絡\t21
2．1．2　從神經(jīng)網(wǎng)絡生成
預測\t36
2．2　數(shù)據(jù)過擬合的問題—
結果的解釋\t38
2．3　用例—建立并運用
神經(jīng)網(wǎng)絡\t41
2．4　小結\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)實戰(zhàn)\t54
3．2．2　權重衰減（神經(jīng)網(wǎng)絡中的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\t67
第4章　識別異常數(shù)據(jù)\t68
4．1　無監(jiān)督學習入門\t69
4．2　自動編碼器如何工作\t70
4．3　在R中訓練自動編碼器\t73
4．4　用例—建立并運用自動
編碼器模型\t85
4．5　微調自動編碼器模型\t90
4．6　小結\t95
第5章　訓練深度預測模型\t96
5．1　深度前饋神經(jīng)網(wǎng)絡入門\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)絡訓練和
預測新數(shù)據(jù)\t105
5．5　用例—為自動分類生成
深度神經(jīng)網(wǎng)絡\t114
5．6　小結\t132
第6章　調節(jié)和優(yōu)化模型\t133
6．1　處理缺失數(shù)據(jù)\t134
6．2　低準確度模型的解決
方案\t137
6．2．1　網(wǎng)格搜索\t138
6．2．2　隨機搜索\t139
6．3　小結\t151
參考文獻\t152