深度学习与R语言

前言
第1章引言
1.1关于深度学习
1.1.1深度学习兴起的渊源
1.1.2深度学习总体框架
1.1.3深度学习本质
1.1.4深度学习应用
1.2前向反馈神经网络FNN
1.2.1多层感知器
1.2.2神经元的作用
1.2.3激活函数
1.2.4学习算法
1.3R语言基础
1.3.1入门
1.3.2基本语法
1.3.3数据
1.3.4绘图
1.3.5数据准备
1.3.6基本运算
1.4FNN的R实现
1.5学习指南
第2章深度神经网络DNN
2.1DNN原理
2.2DNN应用
2.2.1提高雾天视觉能见度
2.2.2打击黑客和网络犯罪
2.2.3图像压缩
2.2.4函数逼近
2.3DNN应用需要注意的一些问题
2.3.1神经元数量
2.3.2*佳层数的选择
2.3.3训练时间过长
2.3.4过拟合
2.4DNN应用技巧
2.5单响应变量DNN的R实现
2.6多响应变量DNN的R实现
2.7学习指南
第3章卷积神经网络CNN
3.1CNN原理
3.1.1局部感知
3.1.2权值共享
3.1.3多卷积核
3.1.4池化
3.2多层卷积
3.2.1ImageNet-2010网络结构
3.2.2DeepID网络结构
3.3CNN的R实现
3.4学习指南
第4章递归神经网络RNN
4.1RNN原理
4.2Elman网络
4.2.1承接层神经元的作用
4.2.2信息流动
4.2.3Elman网络应用
4.3Jordan网络
4.3.1Jordan网络结构
4.3.2Jordan网络应用
4.4RNN的R实现
4.5学习指南
第5章自编码网络AE
5.1无监督学习过程
5.2AE基本结构
5.2.1降维问题
5.2.2特征抽取
5.3稀疏自动编码网络SAE
5.3.1Kullback-Leibler散度
5.3.2使用SAE注意事项
5.4SAE的R实现
5.5学习指南
第6章堆栈自编码网络SA
6.1SA原理
6.2SA的R实现
6.3降噪自编码网络DAE
6.3.1随机掩蔽的椒盐噪声
6.3.2DAE基本任务
6.3.3标准化堆栈降噪自编码网络
6.4DAE的R实现
6.5学习指南
第7章受限玻耳兹曼机RBM
7.1RBM原理
7.1.1玻耳兹曼机的四类知识
7.1.2能量和概率的作用
7.1.3联合概率分布表示的自编码网络
7.1.4模型学习的目标
7.2训练技巧
7.2.1技巧1：Gibbs采样
7.2.2技巧2: *小化KL距离
7.2.3技巧3：使用RLU激活函数
7.2.4技巧4：模拟退火
7.3对深度学习的质疑
7.4RBM应用
7.4.1肝癌分类的RBM
7.4.2麻醉镇定作用预测的RBM
7.5RBM的R实现
7.6学习指南
第8章深度置信网络DBN
8.1DBN原理
8.2应用案例
8.3DBN的R实现
8.4学习指南
第9章MXNetR
9.1MXNet技术特性
9.2MXNetR安装
9.2.1安装MXNet基本需求
9.2.2MXNet云设置
9.2.3MXNet安装方法
9.2.4MXNetR安装方法
9.2.5常见的安装问题
9.3MXNetR在深度学习中的应用
9.3.1二分类模型
9.3.2回归模型与自定义神经网络
9.3.3手写数字竞赛
9.3.4图像识别应用
9.4学习指南
第10章word2vec的R语言实现
10.1word2vec词向量由来
10.1.1统计语言模型
10.1.2神经网络概率语言模型
10.2word2vec——词向量特征提取模型
10.2.1词向量
10.2.2CBOW的分层网络结构——HCBOW
10.2.3word2vec流程
10.3word2vec 的R实现
10.3.1tmcn.word2vec包
10.3.2word2vec自编译函数
10.3.3使用tmcn.word2vec和word2vec注意的问题
10.4学习指南
第11章R语言其他深度学习包
11.1darch包
11.2Rdbn包
11.2.1Rdbn原理
11.2.2Rdbn安装
11.2.3Rdbn应用
11.3H2O 包
11.3.1H2O原理
11.3.2H2O应用
11.4deepnet包
11.5mbench包
11.6AMORE包
11.7学习指南
附录
附录A深度学习发展史
附录B深度学习的未来——GAN
附录CR包分类
参考文献
后记