深度學習：R語言實踐指南

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(huán)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(tǒng)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(yōu)化及機器學習回顧

3.1無約束優(yōu)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(jiān)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Marquardt啟發(fā)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(jiān)督學習

3.9.1K均值聚類

3.9.2K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(fā)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(tǒng)計結果

4.2多層感知器模型

4.2.1收斂得到全局最優(yōu)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(huán)神經網絡

6.1完全循環(huán)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(yōu)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(fā)

8.1方差分析

8.2F統(tǒng)計和F分布

8.3Plackett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(yōu)化算法

8.11.5變鄰域搜索算法

8.12反應式搜索優(yōu)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(tài)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(yōu)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(jiān)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(xié)同過濾

11.4小結

結束語