编辑推荐
本书结合案例系统地介绍了各类神经网络的架构和实现。
内容简介
本书涵盖了各种类型的神经网络，包括循环神经网络、卷积神经网络、多层神经网络、感知神经网络等。你将不仅学习如何训练神经网络，还可以探索这些神经网络的泛化。之后，将深入研究不同的神经网络模型，并与现实世界的案例相结合。
作者简介
作者朱塞佩·恰布罗，获有意大利那不勒斯腓特烈二世大学的化学工程硕士学位和那不勒斯第二大学的声学和噪声控制硕士学位。他目前在意大利坎帕尼亚的一所大学的建成环境控制实验室工作。他在燃烧领域以及声学和噪声控制领域方面有15年以上的编程工作经验。他使用的核心编程语言是Python和R，并且在使用MATLAB上也有丰富的经验。Giuseppe虽为声学和噪声控制领域的专家，但他在专业计算机课程的教学以及在线课程方面也有丰富的经验。他出版过专著，也在科学期刊、主题会议上发表过文章。近期他的研究方向是将机器学习应用到声学和噪声控制理论中。
章节目录
版权信息
译者序
关于作者
关于审稿人
前言
第1章 神经网络和人工智能概念
1.1 简介
1.2 神经网络的灵感
1.3 神经网络的工作原理
1.4 分层方法
1.5 权重和偏差
1.6 训练神经网络
1.6.1 有监督学习
1.6.2 无监督学习
1.7 epoch
1.8 激活函数
1.9 不同的激活函数
1.9.1 线性函数
1.9.2 单位阶跃激活函数
1.9.3 sigmoid函数
1.9.4 双曲正切函数
1.9.5 线性修正单元函数
1.10 使用哪些激活函数
1.11 感知机和多层架构
1.12 前向和反向传播
1.13 逐步说明神经网络和激活函数
1.14 前馈和反馈网络
1.15 梯度下降
1.16 神经网络分类法
1.17 使用R语言神经网络添加包neuralnet()的简单示例
1.18 使用添加包nnet()进行实现
1.19 深度学习
1.20 神经网络的优缺点
1.21 神经网络实现的最佳实践
1.22 有关GPU处理的简要说明
1.23 小结
第2章 神经网络中的学习过程
2.1 机器学习
2.1.1 有监督学习
2.1.2 无监督学习
2.1.3 强化学习
2.2 训练和测试模型
2.3 数据循环
2.4 评估指标
2.5 学习神经网络
2.6 反向传播
2.7 神经网络学习算法的优化
2.8 神经网络中的有监督学习
2.8.1 波士顿数据集
2.8.2 对波士顿数据集进行神经网络回归
2.9 神经网络中的无监督学习
2.9.1 竞争学习
2.9.2 Kohonen SOM
2.10 小结
第3章 使用多层神经网络进行深度学习
3.1 DNN简介
3.2 用于DNN的R语言
3.3 通过neuralnet建立多层神经网络
3.4 使用H2O对DNN进行训练和建模
3.5 使用H2O建立深度自动编码器
3.6 小结
第4章 感知神经网络建模——基本模型
4.1 感知机及其应用
4.2 简单感知机——一个线性可分离分类器
4.3 线性分离
4.4 R中的感知机函数
4.5 多层感知机
4.6 使用RSNNS在R中实现MLP
4.7 小结
第5章 在R中训练和可视化神经网络
5.1 使用神经网络进行数据拟合
5.1.1 探索性分析
5.1.2 神经网络模型
5.2 使用神经网络对乳腺癌进行分类
5.2.1 探索性分析
5.2.2 神经网络模型
5.2.3 网络训练阶段
5.2.4 测试神经网络
5.3 神经网络训练中的早期停止
5.4 避免模型中的过拟合
5.5 神经网络的泛化
5.6 神经网络模型中数据的缩放
5.7 集成神经网络来预测
5.8 小结
第6章 循环和卷积神经网络
6.1 循环神经网络
6.2 R中的添加包rnn
6.3 LSTM模型
6.4 卷积神经网络
6.5 常见的CNN架构——LeNet
6.6 使用RNN进行湿度预测
6.7 小结
第7章 神经网络案例——高级主题
7.1 TensorFlow与R的集成
7.2 Keras与R的集成
7.3 在R中使用MNIST HWR
7.4 使用数据集iris建立LSTM
7.5 使用自动编码器
7.6 使用H2O进行主成分分析
7.7 使用H2O建立自动编码器
7.8 使用添加包darch检测乳腺癌
7.9 小结
神经网络：R语言实现是2018年由机械工业出版社华章分社出版,作者[意] 朱塞佩·恰布罗。
得书感谢您对《神经网络：R语言实现》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。
