深度學習：R語言實踐指南 ( 簡體 字) |
| 作者：[美]托威赫·貝索洛（Taweh Beysolow II） | 類別：1. -> 程式設計 -> 深度學習
2. -> 程式設計 -> Python |
| 譯者： |
| 出版社：機械工業出版社 |  3dWoo書號： 49626
詢問書籍請說出此書號！【缺書】
NT售價： 295 元 |
| 出版日：7/23/2018 |
| 頁數：212 |
| 光碟數：0 |
|
站長推薦：   |
| 印刷：黑白印刷 | 語系： ( 簡體 版 ) |
| |
加入購物車  │加到我的最愛
(請先登入會員) |
| ISBN：9787111604372 |
| 作者序 | 譯者序 | 前言 | 內容簡介 | 目錄 | 序 |
| (簡體書上所述之下載連結耗時費功, 恕不適用在台灣, 若讀者需要請自行嘗試, 恕不保證) |
| 作者序： |
| 譯者序： |
| 前言： |
內容簡介：本書內容主要涉及：深度學習的數學理論基礎，包括重要的統計學和線性代數的相關基本概念和知識；深度學習的各種典型模型，例如傳統的單層感知器模型、多層感知器模型，以及卷積神經網絡、循環神經網絡、受限玻耳茲曼機、深度信念網絡等一些更為復雜的模型；構建深度學習模型的實驗設計方法以及實驗過程中的特征選擇方法；應用R語言進行機器學習和深度學習實踐的案例。 |
目錄：譯者序
關于作者
關于技術審稿人
前言
第1章深度學習簡介
1.1深度學習模型
1.1.1單層感知器模型
1.1.2多層感知器模型
1.1.3卷積神經網絡
1.1.4循環神經網絡
1.1.5受限玻耳茲曼機
1.1.6深度信念網絡
1.2其他
1.2.1實驗設計
1.2.2特征選擇
1.2.3機器學習及深度學習應用
1.2.4深度學習的歷史
1.3小結
第2章數學知識回顧
2.1統計學基本概念
2.1.1概率
2.1.2交與并
2.1.3貝葉斯定理
2.1.4隨機變量
2.1.5方差
2.1.6標準差
2.1.7可決系數
2.1.8均方誤差
2.2線性代數
2.2.1標量和向量
2.2.2向量的特性
2.2.3公理
2.2.4子空間
2.2.5矩陣
2.3小結
第3章優化及機器學習回顧
3.1無約束優化
3.1.1局部極小值
3.1.2全局極小值
3.1.3局部極小值的條件
3.2近鄰算法
3.3機器學習方法：有監督學習
3.3.1機器學習的歷史
3.3.2什么是算法
3.4回歸模型
3.5選擇合適的學習速率
3.5.1牛頓法
3.5.2Levenberg拟Marquardt啟發式方法
3.6多重共線性
3.7評價回歸模型
3.8分類
3.8.1邏輯回歸
3.8.2受試者工作特征曲線
3.8.3混淆矩陣
3.8.4邏輯回歸的局限性
3.8.5支持向量機
3.9機器學習方法：無監督學習
3.9.1K拟均值聚類
3.9.2K拟均值聚類的局限性
3.10最大期望算法
3.11決策樹學習
3.12集成方法以及其他啟發式算法
3.13貝葉斯學習
3.14強化學習
3.15小結
第4章單層及多層感知器模型
4.1單層感知器模型
4.1.1訓練感知器模型
4.1.2WH算法
4.1.3單層感知器模型的局限性
4.1.4匯總統計結果
4.2多層感知器模型
4.2.1收斂得到全局最優解
4.2.2MLP模型中的反向傳播算法
4.2.3MLP模型的局限性和討論
4.2.4應該使用幾層隱含層，又應該有多少個神經元
4.3小結
第5章卷積神經網絡
5.1CNN的結構和特點
5.2CNN的組成
5.2.1卷積層
5.2.2池化層
5.2.3修正線性單元層
5.2.4全連接層
5.2.5損失層
5.3參數調整
5.4經典的CNN架構
5.5正則化
5.6小結
第6章循環神經網絡
6.1完全循環網絡
6.2使用時間反向傳播訓練RNN
6.3Elman神經網絡
6.4神經歷史壓縮器
6.5長短期記憶網絡
6.6RNN里的結構化抑制
6.7參數調優更新算法
6.8RNN的實際案例：模式檢測
6.9小結
第7章自編碼器、受限玻耳茲曼機及深度信念網絡
7.1自編碼器
7.2受限玻耳茲曼機
7.3深度信念網絡
7.4快速學習算法
7.5小結
第8章實驗設計與啟發
8.1方差分析
8.2F統計和F分布
8.3Plackett拟Burman設計
8.4空間填充
8.5全因子
8.6Halton、Faure和Sobol序列
8.7A/B測試
8.7.1簡單雙樣本A/B測試
8.7.2A/B測試中的β二項層次模型
8.8特征、變量選擇技術
8.8.1后向與前向選擇
8.8.2主成分分析
8.8.3因子分析
8.9處理分類數據
8.9.1因子水平編碼
8.9.2分類標簽問題：太多水平值
8.9.3典型相關分析
8.10包裹式、過濾式及嵌入式算法
8.11其他局部搜索算法
8.11.1登山算法
8.11.2遺傳算法
8.11.3模擬退火
8.11.4蟻群優化算法
8.11.5變鄰域搜索算法
8.12反應式搜索優化
8.12.1反應式禁忌
8.12.2固定禁忌搜索
8.12.3反應式禁忌搜索
8.12.4WalkSAT算法
8.12.5K近鄰
8.13小結
第9章軟硬件建議
9.1使用標準硬件處理數據
9.2固態硬盤和硬盤驅動器
9.3圖形處理單元
9.4中央處理器
9.5隨機存取存儲器
9.6主板
9.7供電設備
9.8機器學習軟件的優化
9.9小結
第10章機器學習實例
10.1問題1：資產價格預測
10.1.1問題類型：有監督學習——回歸
10.1.2實驗說明
10.1.3特征選擇
10.1.4模型評價
10.2問題2：速配
10.2.1問題類型：分類
10.2.2數據預處理：數據清洗和填充
10.2.3特征選擇
10.2.4模型訓練和評價
10.3小結
第11章深度學習及其他實例
11.1自編碼器
11.2卷積神經網絡
11.2.1預處理
11.2.2模型構建和訓練
11.3協同過濾
11.4小結
結束語 |
| 序： |
