神經網絡：R語言實現

譯者序 

關于作者 

關于審稿人 

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(jiān)督學習 7 

1.6.2　無監(jiān)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(yōu)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(jiān)督學習 34 

2.1.2　無監(jiān)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(huán) 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(yōu)化 45 

2.8　神經網絡中的有監(jiān)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(jiān)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　用于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?！灸Ｐ?nbsp;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(huán)和卷積神經網絡 157 

6.1　循環(huán)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