类似推荐
编辑推荐
深度学习在R语言中的应用：掌握mxnet&tensorflow，实例讲解，CPU/GPU设置。
内容简介
深度学习在R语言中的实际应用受到越来越多的数据挖掘和统计分析人士的关注。本书旨在帮助他们掌握复杂的R深度学习包，如mxnet&tensorflow；使用文本、语音、图像等实际的例子掌握深度学习在实际中的应用；以及使用CPU和GPU设置深度学习模型。
章节目录
版权信息
版权
版权声明
内容提要
前言
关于作者
关于译者
关于英文版审稿人
关于中文版审稿人
资源与支持
第1章 入门
1.1 介绍
1.2 安装R及其IDE
1.2.1 准备
1.2.2 怎么做
1.3 安装Jupyter Notebook应用
1.3.1 怎么做
1.3.2 更多内容
1.4 从R机器学习基础开始
1.4.1 怎么做
1.4.2 工作原理
1.5 在R中安装深度学习的工具/包
1.6 在R中安装MXNet
1.6.1 做好准备
1.6.2 怎么做
1.7 在R中安装TensorFlow
1.7.1 做好准备
1.7.2 怎么做
1.7.3 工作原理
1.8 在R中安装H2O
1.8.1 做好准备
1.8.2 怎么做
1.8.3 工作原理
1.8.4 更多内容
1.9 使用Docker一次安装3个包
1.9.1 做好准备
1.9.2 怎么做
1.9.3 更多内容
第2章 R深度学习
2.1 始于逻辑回归
2.1.1 做好准备
2.1.2 怎么做
2.2 介绍数据集
2.2.1 做好准备
2.2.2 怎么做
2.3 使用H2O执行逻辑回归
2.3.1 做好准备
2.3.2 怎么做
2.3.3 工作原理
2.4 使用TensorFlow执行逻辑回归
2.4.1 做好准备
2.4.2 怎么做
2.4.3 工作原理
2.5 可视化TensorFlow图
2.5.1 做好准备
2.5.2 怎么做
2.5.3 工作原理
2.6 从多层感知器开始
2.6.1 做好准备
2.6.2 怎么做
2.6.3 更多内容
2.7 使用H2O建立神经网络
2.7.1 做好准备
2.7.2 怎么做
2.7.3 工作原理
2.8 使用H2O中的网格搜索调整超参数
2.8.1 做好准备
2.8.2 怎么做
2.8.3 工作原理
2.9 使用MXNet建立神经网络
2.9.1 做好准备
2.9.2 怎么做
2.9.3 工作原理
2.10 使用TensorFlow建立神经网络
2.10.1 做好准备
2.10.2 怎么做
2.10.3 工作原理
2.10.4 更多内容
第3章 卷积神经网络
3.1 介绍
3.2 下载并配置图像数据集
3.2.1 做好准备
3.2.2 怎么做
3.2.3 工作原理
3.3 学习CNN分类器的架构
3.3.1 做好准备
3.3.2 怎么做
3.3.3 工作原理
3.4 使用函数初始化权重和偏差
3.4.1 做好准备
3.4.2 怎么做
3.4.3 工作原理
3.5 使用函数创建一个新的卷积层
3.5.1 做好准备
3.5.2 怎么做
3.5.3 工作原理
3.6 使用函数创建一个扁平化的卷积层
3.6.1 做好准备
3.6.2 怎么做
3.6.3 工作原理
3.7 使用函数扁平化密集连接层
3.7.1 做好准备
3.7.2 怎么做
3.7.3 工作原理
3.8 定义占位符变量
3.8.1 做好准备
3.8.2 怎么做
3.8.3 工作原理
3.9 创建第一个卷积层
3.9.1 做好准备
3.9.2 怎么做
3.9.3 工作原理
3.10 创建第二个卷积层
3.10.1 做好准备
3.10.2 怎么做
3.10.3 工作原理
3.11 扁平化第二个卷积层
3.11.1 做好准备
3.11.2 怎么做
3.11.3 工作原理
3.12 创建第一个完全连接的层
3.12.1 做好准备
3.12.2 怎么做
3.12.3 工作原理
3.13 将dropout应用于第一个完全连接的层
3.13.1 做好准备
3.13.2 怎么做
3.13.3 工作原理
3.14 创建第二个带有dropout的完全连接层
3.14.1 做好准备
3.14.2 怎么做
3.14.3 工作原理
3.15 应用Softmax激活以获得预测的类
3.15.1 做好准备
3.15.2 怎么做
3.16 定义用于优化的成本函数
3.16.1 做好准备
3.16.2 怎么做
3.16.3 工作原理
3.17 执行梯度下降成本优化
3.17.1 做好准备
3.17.2 怎么做
3.18 在TensorFlow会话中执行图
3.18.1 做好准备
3.18.2 怎么做
3.18.3 工作原理
3.19 评估测试数据的性能
3.19.1 做好准备
3.19.2 怎么做
3.19.3 工作原理
第4章 使用自动编码器的数据表示
4.1 介绍
4.2 构建自动编码器
4.2.1 做好准备
4.2.2 怎么做
4.3 数据归一化
4.3.1 做好准备
4.3.2 怎么做
4.4 构建正则自动编码器
4.4.1 做好准备
4.4.2 怎么做
4.4.3 工作原理
4.5 微调自动编码器的参数
4.6 构建栈式自动编码器
4.6.1 做好准备
4.6.2 怎么做
4.7 构建降噪自动编码器
4.7.1 做好准备
4.7.2 怎么做
4.7.3 工作原理
4.8 构建并比较随机编码器和解码器
4.8.1 做好准备
4.8.2 怎么做
4.9 从自动编码器学习流形
4.10 评估稀疏分解
4.10.1 做好准备
4.10.2 怎么做
4.10.3 工作原理
第5章 深度学习中的生成模型
5.1 比较主成分分析和受限玻尔兹曼机
5.1.1 做好准备
5.1.2 怎么做
5.2 为伯努利分布输入配置受限玻尔兹曼机
5.2.1 做好准备
5.2.2 怎么做
5.3 训练受限玻尔兹曼机
5.3.1 做好准备
5.3.2 怎么做
5.4 RBM的反向或重构阶段
5.4.1 做好准备
5.4.2 怎么做
5.5 了解重构的对比散度
5.5.1 做好准备
5.5.2 怎么做
5.5.3 工作原理
5.6 初始化并启动一个新的TensorFlow会话
5.6.1 做好准备
5.6.2 怎么做
5.6.3 工作原理
5.7 评估RBM的输出
5.7.1 做好准备
5.7.2 怎么做
5.7.3 工作原理
5.8 为协同过滤构建一个受限玻尔兹曼机
5.8.1 做好准备
5.8.2 怎么做
5.9 执行一个完整的RBM训练
5.9.1 做好准备
5.9.2 怎么做
5.10 构建深度信念网络
5.10.1 做好准备
5.10.2 怎么做
5.10.3 工作原理
5.11 实现前馈反向传播神经网络
5.11.1 做好准备
5.11.2 怎么做
5.11.3 工作原理
5.12 建立一个深度受限玻尔兹曼机
5.12.1 做好准备
5.12.2 怎么做
5.12.3 工作原理
第6章 循环神经网络
6.1 建立一个基本的循环神经网络
6.1.1 做好准备
6.1.2 怎么做
6.1.3 工作原理
6.2 建立一个双向RNN模型
6.2.1 做好准备
6.2.2 怎么做
6.3 建立一个深度RNN模型
怎么做
6.4 建立一个基于长短期记忆的序列模型
6.4.1 怎么做
6.4.2 工作原理
第7章 强化学习
7.1 介绍
7.2 建立马尔可夫决策过程
7.2.1 做好准备
7.2.2 怎么做
7.3 执行基于模型的学习
怎么做
7.4 进行无模型学习
7.4.1 做好准备
7.4.2 怎么做
第8章 深度学习在文本挖掘中的应用
8.1 对文本数据进行预处理并提取情感
8.1.1 怎么做
8.1.2 工作原理
8.2 使用tf-idf分析文档
8.2.1 怎么做
8.2.2 工作原理
8.3 使用LSTM网络执行情感预测
8.3.1 怎么做
8.3.2 工作原理
8.4 使用text2vec示例的应用程序
8.4.1 怎么做
8.4.2 工作原理
第9章 深度学习在信号处理中的应用
9.1 介绍并预处理音乐MIDI文件
9.1.1 做好准备
9.1.2 怎么做
9.2 建立RBM模型
9.2.1 做好准备
9.2.2 怎么做
9.3 生成新的音符
怎么做
第10章 迁移学习
10.1 介绍
10.2 举例说明预训练模型的使用
10.2.1 做好准备
10.2.2 怎么做
10.3 构建迁移学习模型
10.3.1 做好准备
10.3.2 怎么做
10.4 构建图像分类模型
10.4.1 做好准备
10.4.2 怎么做
10.5 在GPU上训练深度学习模型
10.5.1 做好准备
10.5.2 怎么做
10.6 比较使用CPU和GPU的性能
10.6.1 做好准备
10.6.2 怎么做
10.6.3 更多内容
10.6.4 另请参阅
深度学习实战手册（R语言版）是2020年由人民邮电出版社出版,作者 (印) 普拉卡什。
得书感谢您对《深度学习实战手册（R语言版）》关注和支持，如本书内容有不良信息或侵权等情形的，请联系本网站。
