-- 會員 / 註冊 -- 　
　帳號：
　密碼：
　 | 註冊 | 忘記密碼
3/26 新書到！ 3/19 新書到！ 3/14 新書到！ 12/12 新書到！
購書流程•Q & A•站務留言版•客服信箱
│ 3ds Max│ Maya│ Rhino│ After Effects│ SketchUp│ ZBrush│ Painter│ Unity│
│ PhotoShop│ AutoCad│ MasterCam│ SolidWorks│ Creo│ UG│ Revit│ Nuke│
│ C#│ C│ C++│ Java│ 遊戲程式│ Linux│ 嵌入式│ PLC│ FPGA│ Matlab│
│ 駭客│ 資料庫│ 搜索引擎│ 影像處理│ Fluent│ VR+AR│ ANSYS│ 深度學習│
│ 單晶片│ AVR│ OpenGL│ Arduino│ Raspberry Pi│ 電路設計│ Cadence│ Protel│
│ Hadoop│ Python│ Stm32│ Cortex│ Labview│ 手機程式│ Android│ iPhone│
可查書名,作者,ISBN,3dwoo書號
詳細書籍分類

神經網絡：R語言實現

( 簡體 字)
作者：[美]朱塞佩·查博羅（Giuseppe Ciaburro） 巴拉伊·溫卡特斯瓦類別：1. -> 程式設計 -> R語言
譯者：
出版社：機械工業出版社神經網絡：R語言實現 3dWoo書號： 49643
詢問書籍請說出此書號！

【缺書】
NT售價： 295 元

出版日：7/25/2018
頁數：232
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：9787111603849
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：

本書從神經網絡的基本概念出發，詳細介紹了神經網絡的學習過程、前向神經網絡、后向反饋神經網絡、循環和卷積神經網絡、多層神經網絡，感知神經網絡、深度神經網絡。在介紹神經網絡基本知識的同時，應用當前為廣泛使用的數據分析軟件R，演示了相關的神經網絡概念和模型的應用。同時，本書也介紹了當前流行的神經網絡模型的實現軟件包，例如TensorFlow、Keras等，并介紹了如何把它們集成到R的應用中。
目錄：

譯者序
關于作者
關于審稿人
前言
第1章　神經網絡和人工智能概念 1
1.1　簡介 2
1.2　神經網絡的靈感 3
1.3　神經網絡的工作原理 4
1.4　分層方法 5
1.5　權重和偏差 6
1.6　訓練神經網絡 7
1.6.1　有監督學習 7
1.6.2　無監督學習 7
1.7　epoch 7
1.8　激活函數 8
1.9　不同的激活函數 8
1.9.1　線性函數 8
1.9.2　單位階躍激活函數 9
1.9.3　sigmoid函數 10
1.9.4　雙曲正切函數 11
1.9.5　線性修正單元函數 11
1.10　使用哪些激活函數 12
1.11 感知機和多層架構 13
1.12 前向和反向傳播 13
1.13　逐步說明神經網絡和激活函數 14
1.14　前饋和反饋網絡 16
1.15　梯度下降 17
1.16　神經網絡分類法 17
1.17　使用R語言神經網絡添加包neuralnet()的簡單示例 19
1.18　使用添加包nnet()進行實現 24
1.19　深度學習 29
1.20　神經網絡的優缺點 29
1.21　神經網絡實現的最佳實踐 30
1.22　有關GPU處理的簡要說明 30
1.23　小結 31
第2章　神經網絡中的學習過程 32
2.1　機器學習 33
2.1.1　有監督學習 34
2.1.2　無監督學習 35
2.1.3　強化學習 36
2.2　訓練和測試模型 37
2.3　數據循環 38
2.4　評估指標 39
2.5　學習神經網絡 42
2.6　反向傳播 43
2.7　神經網絡學習算法的優化 45
2.8　神經網絡中的有監督學習 46
2.8.1　波士頓數據集 46
2.8.2　對波士頓數據集進行神經網絡回歸 48
2.9　神經網絡中的無監督學習 54
2.9.1　競爭學習 55
2.9.2　Kohonen SOM 57
2.10　小結 63
第3章　使用多層神經網絡進行深度學習 64
3.1　DNN簡介 65
3.2　用于DNN的R語言 67
3.3　通過neuralnet建立多層神經網絡 69
3.4　使用H2O對DNN進行訓練和建模 78
3.5　使用H2O建立深度自動編碼器 90
3.6　小結 91
第4章　感知神經網絡建模—基本模型 93
4.1　感知機及其應用 93
4.2　簡單感知機—一個線性可分離分類器 96
4.3　線性分離 98
4.4　R中的感知機函數 101
4.5　多層感知機 107
4.6　使用RSNNS在R中實現MLP 108
4.7　小結 117
第5章　在R中訓練和可視化神經網絡 119
5.1　使用神經網絡進行數據擬合 120
5.1.1　探索性分析 124
5.1.2　神經網絡模型 126
5.2　使用神經網絡對乳腺癌進行分類 135
5.2.1　探索性分析 138
5.2.2　神經網絡模型 143
5.2.3　網絡訓練階段 146
5.2.4　測試神經網絡 149
5.3　神經網絡訓練中的早期停止 152
5.4　避免模型中的過擬合 152
5.5　神經網絡的泛化 154
5.6　神經網絡模型中數據的縮放 154
5.7　集成神經網絡來預測 155
5.8　小結 156
第6章　循環和卷積神經網絡 157
6.1　循環神經網絡 158
6.2　R中的添加包rnn 162
6.3　LSTM模型 170
6.4　卷積神經網絡 172
6.5　常見的CNN架構—LeNet 175
6.6　使用RNN進行濕度預測 176
6.7　小結 183
第7章　神經網絡案例—高級主題 185
7.1　TensorFlow與R的集成 186
7.2　Keras與R的集成 189
7.3　在R中使用MNIST HWR 190
7.4　使用數據集iris建立LSTM 199
7.5　使用自動編碼器 203
7.6　使用H2O進行主成分分析 204
7.7　使用H2O建立自動編碼器 207
7.8　使用添加包darch檢測乳腺癌 211
7.9　小結 217
序：