深度學習是機器學習的一個分支,包括一套建立數(shù)據(jù)高級抽象模型的算法。
《基于R語言的高級深度學習》將幫助讀者了解流行的深度學習架構(gòu)及其用R語言實現(xiàn)的變體,并提供實際示例。
《基于R語言的高級深度學習》內(nèi)容涵蓋用于預測和分類的重要的深度學習技術(shù)和概念,包括神經(jīng)網(wǎng)絡(luò)、深度學習架構(gòu)以及用R實現(xiàn)深度學習的基礎(chǔ)知識。
《基于R語言的高級深度學習》也帶讀者了解如何利用Keras-R、TensorFlow-R等重要的深度學習庫來實現(xiàn)深度學習算法應(yīng)用。
讀者將了解到人工神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)、長短期記憶網(wǎng)絡(luò)以及更高級應(yīng)用的新進展。讀者進而將發(fā)現(xiàn)如何應(yīng)用生成對抗網(wǎng)絡(luò)生**圖像,應(yīng)用自編碼神經(jīng)網(wǎng)絡(luò)進行圖像降維、圖像去噪和圖像修正,應(yīng)用遷移學習準備、定義、訓練和建立深度神經(jīng)網(wǎng)絡(luò)模型。
通過《基于R語言的高級深度學習》,讀者能夠運用知識和新習得的技能,將R語言實現(xiàn)的深度學習算法用于實際應(yīng)用示例。
本書將通過高級示例幫助讀者應(yīng)用R語言實現(xiàn)深度學習算法。
深度學習是機器學習的一個分支,它基于一套嘗試建立數(shù)據(jù)高級抽象模型的算法。本書將幫助讀者了解流行的深度學習架構(gòu)及其用R語言實現(xiàn)的變體,并提供實際示例。
本書將通過高級示例幫助讀者應(yīng)用R語言實現(xiàn)深度學習算法。它涵蓋了各種神經(jīng)網(wǎng)絡(luò)模型,如人工神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)、長短期記憶網(wǎng)絡(luò)和其他采用專家技術(shù)的模型。在閱讀本書的過程中,讀者將利用Keras-R,TensorFlow-R等流行的深度學習庫來實現(xiàn)人工智能模型。
本書的目標讀者
本書的目標讀者是希望增長技能和知識以便借助R語言應(yīng)用深度學習技術(shù)和算法的數(shù)據(jù)科學家、機器學習從業(yè)人員、深度學習研究人員以及人工智能愛好者。對機器學習的深刻理解和R編程語言的應(yīng)用知識是必需的。
前言
第一部分 深度學習基礎(chǔ)
第1章 深度學習架構(gòu)與技術(shù)
1.1 R語言實現(xiàn)的深度學習
1.1.1 深度學習發(fā)展趨勢
1.1.2 R軟件包的版本
1.2 深度學習網(wǎng)絡(luò)模型的開發(fā)過程
1.2.1 為深度學習網(wǎng)絡(luò)模型準備數(shù)據(jù)
1.2.2 開發(fā)模型架構(gòu)
1.2.3 編譯模型
1.2.4 擬合模型
1.2.5 評估模型性能
1.3 R語言和RStudio實現(xiàn)的深度學習技術(shù)
1.3.1 多類分類問題
1.3.2 回歸問題
1.3.3 圖像分類
1.3.4 卷積神經(jīng)網(wǎng)絡(luò)
1.3.5 自編碼器
1.3.6 遷移學習
1.3.7 生成對抗網(wǎng)絡(luò)
1.3.8 文本分類的深度學習網(wǎng)絡(luò)
1.3.9 循環(huán)神經(jīng)網(wǎng)絡(luò)
1.3.10 長短期記憶網(wǎng)絡(luò)
1.3.11 卷積循環(huán)網(wǎng)絡(luò)
1.3.12 提示、技巧和最佳實踐
1.4 本章小結(jié)
第二部分 預測與分類問題的深度學習
第2章 多類分類問題的深度神經(jīng)網(wǎng)絡(luò)
2.1 胎兒心電圖數(shù)據(jù)集
2.1.1 醫(yī)學數(shù)據(jù)集
2.1.2 數(shù)據(jù)集分類
2.2 建模數(shù)據(jù)準備
2.2.1 數(shù)值型變量的歸一化
2.2.2 數(shù)據(jù)分割
2.2.3 獨熱編碼
2.3 深度神經(jīng)網(wǎng)絡(luò)模型的創(chuàng)建與擬合
2.3.1 模型架構(gòu)開發(fā)
2.3.2 模型編譯
2.3.3 模型擬合
2.4 模型評價和預測
2.4.1 損失函數(shù)與準確率計算
2.4.2 混淆矩陣
2.5 性能優(yōu)化提示與最佳實踐
2.5.1 增加隱藏層的實驗
2.5.2 隱藏層增加單元數(shù)量的實驗
2.5.3 多單元多層網(wǎng)絡(luò)的實驗
2.5.4 分類不平衡問題的實驗
2.5.5 模型的保存與重新上載
2.6 本章小結(jié)
……
第三部分 面向計算機視覺的深度學習
第四部分 自然語言處理問題的深度學習
第五部分 未來展望