神經網絡：R語言實現 神经网络:R语言实现
[美]朱塞佩·查博羅（Giuseppe Ciaburro）, 巴拉伊·溫卡特斯瓦
- 出版商: 機械工業
- 出版日期: 2018-07-24
- 定價: $354
- 售價: 8.5 折 $301
- 語言: 簡體中文
- 頁數: 232
- 裝訂: 平裝
- ISBN: 7111603842
- ISBN-13: 9787111603849
-
相關分類:
R 語言
- 此書翻譯自: Neural Networks with R
立即出貨 (庫存=1)
買這商品的人也買了...
-
社會地理資訊系統與 ArcGIS 研究教學$390$312 -
地理資訊系統 ArcGIS 中文範例式學習聖典$760$745 -
R 語言編程藝術 (The Art of R Programming: A Tour of Statistical Software Design)$414$393 -
$250R語言與數據挖掘最佳實踐和經典案例 -
$454R 數據可視化手冊 (R Graphics Cookbook) -
$403R語言游戲數據分析與挖掘 -
R 資料科學 (R for Data Science)$780$616 -
$266機器學習實踐指南 基於R語言 -
$311精通機器學習 基於R 第2版 -
$254ArcGIS 地理信息系統分析與應用 -
$327深度學習實踐指南 基於R語言 -
$301深度學習：R語言實踐指南 (Introduction to Deep Learning Using R: A Step-by-Step Guide to Learning and Implementing Deep Learning Models Using R) -
R語言的資料採礦導引 : 大數據時代的資料分析$680$537 -
圖解人工智慧｜從零開始了解人工智慧的原理與應用$380$323 -
實戰機器學習｜以深度學習演算企業資料$450$383 -
當代Q地理資訊系統 : 從人文社會到大數據$330$314 -
$301精通特徵工程 (Feature Engineering for Machine Learning: Principles and Techniques for Data Scientists) -
$393深度學習的數學 -
$709R語言：實用數據分析和可視化技術, 2/e (R for Everyone: Advanced Analytics and Graphics, 2/e) -
$403深度學習實戰手冊 -- R語言版 -
$403快學熟用 D3 (D3.js for the Impatient) -
機器學習實戰：使用 R、tidyverse 和 mlr$708$673 -
$505WebGIS 之 Leaflet 全面解析 -
跟著 Docker 隊長，修練 22天就精通 - 搭配 20小時作者線上教學，無縫接軌 Microservices、Cloud-native、Serverless、DevOps 開發架構$880$695 -
$403深度學習（R語言版）
相關主題
商品描述
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
