深度学习精要基于R语言 pdf epub mobi txt 电子书下载 2025

Name: 深度学习精要 基于R语言 pdf epub mobi txt 电子书 2025
SKU: 12185587
Rating: 4 (10 reviews)

简体网页||繁体网页

☆☆☆☆☆

Joshua，F.，Wiley，威利著，高蓉译

下载链接在页面底部

facebook linkedin mastodon messenger pinterest reddit telegram twitter viber vkontakte whatsapp 复制链接

承接住宅自建房室内改造装修设计免费咨询 QQ：624617358 一级注册建筑师亲自为您回答、经验丰富，价格亲民。无论项目大小，都全力服务。期待合作，欢迎咨询！QQ：624617358

想要找书就要到静思书屋

book.tinynews.org

立刻按 ctrl+D收藏本页

你会得到大惊喜!!

出版社：人民邮电出版社

ISBN：9787115464156

版次：1

商品编码：12185587

品牌：异步图书

包装：平装

开本：16开

出版时间：2017-09-01

用纸：胶版纸

页数：154

正文语种：中文

具体描述

编辑推荐

深度学习是机器学习的一个分支，其基础是一组试图使用模型架构建立高水平抽象模型的算法。本书结合R语言介绍深度学习软件包H2O，帮助读者理解深度学习的概念。本书从在R中设置可获取的重要深度学习包开始，接着转向建立神经网络、预测和深度预测等模型，所有这些模型都由实际案例的辅助来实现。成功安装了H2O软件包后，你将学习预测算法。随后本书会解释诸如过拟合数据、异常数据以及深度预测模型等概念。zui后，本书会介绍设计调参和优化模型的概念。

本书适合那些胸怀大志的数据科学家，他们精通R语言数据科学概念，并希望可以使用R中的包进一步探索深度学习范式。读者需要对R语言具备基础的理解，并熟悉统计算法和机器学习技术。

通过阅读本书，你将能够:
● 建立R包H2O训练深度学习模型；
● 理解深度学习模型背后的核心概念；
● 使用自动编码器识别异常数据或离群点；
● 使用深度神经网络自动化地预测或分类数据；
● 使用正则化建立泛化模型，避免数据的过拟合。

内容简介

本书重点介绍如何将R语言和深度学习模型或深度神经网络结合起来，解决实际的应用需求。全书共6章，分别介绍了深度这习基础知识、训练预测模型、如何防止过拟合、识别异常数据、训练深度预测模型以及调节和优化模型等内容。
本书适合了解机器学习概念和R语言并想要使用R提供的包来探索深度学习应用的读者学习参考。

作者简介

机器学习、深度学习、人工智能等相关领域的读者，高校计算机专业的学生。机器学习、深度学习、人工智能等相关领域的读者，高校计算机专业的学生。

目录

第1章　深度学习入门 1
1．1　什么是深度学习 1
1．2　神经网络的概念
综述 2
1．3　深度神经网络 6
1．4　用于深度学习的R包 8
1．5　建立可重复的结果 9
1．5．1　神经网络 12
1．5．2　deepnet包 13
1．5．3　darch包 14
1．5．4　H2O包 14
1．6　连接R和H2O 14
1．6．1　初始化H2O 15
1．6．2　数据集连结到H2O
集群 17
1．7　小结 19
第2章　训练预测模型 20
2．1　R中的神经网络 20
2．1．1　建立神经网络 21
2．1．2　从神经网络生成
预测 36
2．2　数据过拟合的问题—
结果的解释 38
2．3　用例—建立并运用
神经网络 41
2．4　小结 47
第3章　防止过拟合 48
3．1　L1罚函数 49
3．2　L2罚函数 53
3．2．1　L2罚函数实战 54
3．2．2　权重衰减（神经网络中的L2罚函数） 55
3．3　集成和模型平均 59
3．4　用例—使用丢弃提升样本
外模型性能 62
3．5　小结 67
第4章　识别异常数据 68
4．1　无监督学习入门 69
4．2　自动编码器如何工作 70
4．3　在R中训练自动编码器 73
4．4　用例—建立并运用自动
编码器模型 85
4．5　微调自动编码器模型 90
4．6　小结 95
第5章　训练深度预测模型 96
5．1　深度前馈神经网络入门 97
5．2　常用的激活函数—整流器、双曲正切和maxout 99
5．3　选取超参数 101
5．4　从深度神经网络训练和
预测新数据 105
5．5　用例—为自动分类生成
深度神经网络 114
5．6　小结 132
第6章　调节和优化模型 133
6．1　处理缺失数据 134
6．2　低准确度模型的解决
方案 137
6．2．1　网格搜索 138
6．2．2　随机搜索 139
6．3　小结 151
参考文献 152