神經(jīng)網(wǎng)絡(luò)：R語言實現(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　訓練神經(jīng)網(wǎng)絡(luò) 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(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 感知機和多層架構(gòu) 13 

1.12 前向和反向傳播 13 

1.13　逐步說明神經(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語言神經(jīng)網(wǎng)絡(luò)添加包neuralnet()的簡單示例 19 

1.18　使用添加包nnet()進行實現(xiàn) 24 

1.19　深度學習 29 

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

1.21　神經(jīng)網(wǎng)絡(luò)實現(xiàn)的最佳實踐 30 

1.22　有關(guān)GPU處理的簡要說明 30 

1.23　小結(jié) 31 

第2章　神經(jīng)網(wǎng)絡(luò)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(shù)據(jù)循環(huán) 38 

2.4　評估指標 39 

2.5　學習神經(jīng)網(wǎng)絡(luò) 42 

2.6　反向傳播 43 

2.7　神經(jīng)網(wǎng)絡(luò)學習算法的優(yōu)化 45 

2.8　神經(jīng)網(wǎng)絡(luò)中的有監(jiān)督學習 46 

2.8.1　波士頓數(shù)據(jù)集 46 

2.8.2　對波士頓數(shù)據(jù)集進行神經(jīng)網(wǎng)絡(luò)回歸 48 

2.9　神經(jīng)網(wǎng)絡(luò)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(jié) 63 

第3章　使用多層神經(jīng)網(wǎng)絡(luò)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(jīng)網(wǎng)絡(luò) 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(jié) 91 

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

4.1　感知機及其應(yīng)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(shù) 101 

4.5　多層感知機 107 

4.6　使用RSNNS在R中實現(xiàn)MLP 108 

4.7　小結(jié) 117 

第5章　在R中訓練和可視化神經(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)對乳腺癌進行分類 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)訓練階段 146 

5.2.4　測試神經(jīng)網(wǎng)絡(luò) 149 

5.3　神經(jīng)網(wǎng)絡(luò)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(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)來預(yù)測 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進行濕度預(yù)測 176 

6.7　小結(jié) 183 

第7章　神經(jīng)網(wǎng)絡(luò)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(shù)據(jù)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(jié) 217