深度学习 R语言实践指南PDF|Epub|txt|kindle电子书版本网盘下载

深度学习 R语言实践指南PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第1章 深度学习简介1

1.1深度学习模型3

1.1.1单层感知器模型3

1.1.2多层感知器模型4

1.1.3卷积神经网络4

1.1.4循环神经网络5

1.1.5受限玻耳兹曼机6

1.1.6深度信念网络6

1.2其他7

1.2.1实验设计7

1.2.2特征选择7

1.2.3机器学习及深度学习应用7

1.2.4深度学习的历史8

1.3小结9

第2章 数学知识回顾10

2.1统计学基本概念10

2.1.1概率10

2.1.2交与并11

2.1.3贝叶斯定理13

2.1.4随机变量13

2.1.5方差14

2.1.6标准差15

2.1.7可决系数16

2.1.8均方误差16

2.2线性代数16

2.2.1标量和向量16

2.2.2向量的特性17

2.2.3公理18

2.2.4子空间19

2.2.5矩阵19

2.3小结41

第3章 优化及机器学习回顾42

3.1无约束优化42

3.1.1局部极小值44

3.1.2全局极小值44

3.1.3局部极小值的条件45

3.2近邻算法46

3.3机器学习方法：有监督学习47

3.3.1机器学习的历史47

3.3.2什么是算法48

3.4回归模型48

3.5选择合适的学习速率52

3.5.1牛顿法57

3.5.2 Levenberg-Marquardt启发式方法57

3.6多重共线性58

3.7评价回归模型61

3.8分类62

3.8.1逻辑回归62

3.8.2受试者工作特征曲线63

3.8.3混淆矩阵64

3.8.4逻辑回归的局限性65

3.8.5支持向量机66

3.9机器学习方法：无监督学习69

3.9.1 K-均值聚类70

3.9.2 K-均值聚类的局限性70

3.10最大期望算法72

3.11决策树学习73

3.12集成方法以及其他启发式算法77

3.13贝叶斯学习78

3.14强化学习80

3.15 小结82

第4章 单层及多层感知器模型83

4.1单层感知器模型83

4.1.1训练感知器模型84

4.1.2 WH算法84

4.1.3单层感知器模型的局限性85

4.1.4汇总统计结果87

4.2多层感知器模型88

4.2.1收敛得到全局最优解88

4.2.2 MLP模型中的反向传播算法89

4.2.3 MLP模型的局限性和讨论91

4.2.4应该使用几层隐含层，又应该有多少个神经元92

4.3小结94

第5章 卷积神经网络95

5.1 CNN的结构和特点95

5.2 CNN的组成97

5.2.1卷积层97

5.2.2池化层99

5.2.3修正线性单元层100

5.2.4全连接层100

5.2.5损失层100

5.3参数调整101

5.4经典的CNN架构102

5.5正则化104

5.6小结105

第6章 循环神经网络106

6.1完全循环网络106

6.2使用时间反向传播训练RNN107

6.3 Elman神经网络108

6.4神经历史压缩器109

6.5长短期记忆网络109

6.6 RNN里的结构化抑制111

6.7参数调优更新算法112

6.8 RNN的实际案例：模式检测112

6.9小结116

第7章 自编码器、受限玻耳兹曼机及深度信念网络117

7.1自编码器117

7.2受限玻耳兹曼机119

7.3深度信念网络126

7.4快速学习算法126

7.5小结128

第8章 实验设计与启发129

8.1方差分析129

8.2 F统计和F分布130

8.3 Plackett-Burman设计137

8.4空间填充138

8.5全因子139

8.6 Halton、Faure和Sobol序列139

8.7 A/B测试140

8.7.1简单双样本A/B测试141

8.7.2 A/B测试中的β二项层次模型141

8.8特征、变量选择技术143

8.8.1后向与前向选择143

8.8.2主成分分析144

8.8.3因子分析146

8.9处理分类数据147

8.9.1因子水平编码148

8.9.2分类标签问题：太多水平值148

8.9.3典型相关分析148

8.10包裹式、过滤式及嵌入式算法149

8.11其他局部搜索算法150

8.11.1登山算法150

8.11.2遗传算法150

8.11.3模拟退火151

8.11.4蚁群优化算法152

8.11.5变邻域搜索算法153

8.12反应式搜索优化154

8.12.1反应式禁忌154

8.12.2固定禁忌搜索155

8.12.3反应式禁忌搜索157

8.12.4 WalkSAT算法157

8.12.5 K近邻158

8.13小结158

第9章 软硬件建议159

9.1使用标准硬件处理数据159

9.2固态硬盘和硬盘驱动器160

9.3图形处理单元160

9.4中央处理器161

9.5随机存取存储器162

9.6主板162

9.7供电设备163

9.8机器学习软件的优化163

9.9小结164

第10章 机器学习实例165

10.1问题1：资产价格预测165

10.1.1问题类型：有监督学习——回归166

10.1.2实验说明168

10.1.3特征选择169

10.1.4模型评价171

10.2问题2：速配175

10.2.1问题类型：分类175

10.2.2数据预处理：数据清洗和填充176

10.2.3特征选择179

10.2.4模型训练和评价180

10.3小结188

第11章 深度学习及其他实例189

11.1自编码器189

11.2卷积神经网络196

11.2.1预处理197

11.2.2模型构建和训练200

11.3协同过滤206

11.4小结210

结束语211