神經(jīng)網(wǎng)絡(luò)：R語言實現(xiàn)
定 價：59 元
叢書名：智能系統(tǒng)與技術(shù)叢書
- 作者：[美] 朱塞佩·查博羅（Giuseppe Ciaburro） 著，李洪成譯 譯
- 出版時間：2018/7/1
- ISBN：9787111603849
- 出 版 社：機械工業(yè)出版社
- 中圖法分類：TP183
- 頁碼：232
- 紙張：膠版紙
- 版次：1
- 開本：16開
本書從神經(jīng)網(wǎng)絡(luò)的基本概念出發(fā)，詳細介紹了神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程、前向神經(jīng)網(wǎng)絡(luò)、后向反饋神經(jīng)網(wǎng)絡(luò)、循環(huán)和卷積神經(jīng)網(wǎng)絡(luò)、多層神經(jīng)網(wǎng)絡(luò)，感知神經(jīng)網(wǎng)絡(luò)、深度神經(jīng)網(wǎng)絡(luò)。在介紹神經(jīng)網(wǎng)絡(luò)基本知識的同時，應(yīng)用當前為廣泛使用的數(shù)據(jù)分析軟件R，演示了相關(guān)的神經(jīng)網(wǎng)絡(luò)概念和模型的應(yīng)用。同時，本書也介紹了當前流行的神經(jīng)網(wǎng)絡(luò)模型的實現(xiàn)軟件包，例如TensorFlow、Keras等，并介紹了如何把它們集成到R的應(yīng)用中。
Preface前 言神經(jīng)網(wǎng)絡(luò)是能有效解決復(fù)雜計算問題的最有吸引力的機器學(xué)習(xí)模型之一，用于解決人工智能（Artificial Intelligence，AI）和機器學(xué)習(xí)不同領(lǐng)域的各種問題。
本書解釋了神經(jīng)網(wǎng)絡(luò)的優(yōu)點，提供了高級主題相關(guān)的基礎(chǔ)知識。本書從使用neuralnet包設(shè)計神經(jīng)網(wǎng)絡(luò)作為開始。然后介紹神經(jīng)網(wǎng)絡(luò)如何從數(shù)據(jù)中學(xué)習(xí)，以及背后的原理。本書涵蓋了各種類型的神經(jīng)網(wǎng)絡(luò)，包括循環(huán)神經(jīng)網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)。通過本書，讀者不僅可以學(xué)習(xí)如何訓(xùn)練神經(jīng)網(wǎng)絡(luò)，還可以探索這些神經(jīng)網(wǎng)絡(luò)的泛化。最后深入研究不同的神經(jīng)網(wǎng)絡(luò)模型，并與現(xiàn)實世界的用例相結(jié)合。
在本書的最后，讀者將在實際案例的幫助下，學(xué)會在自己的應(yīng)用程序中實現(xiàn)神經(jīng)網(wǎng)絡(luò)模型。
本書內(nèi)容第1章介紹人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network，ANN）和人工智能的基本概念與理論，展示ANN和AI的簡單應(yīng)用程序與數(shù)學(xué)概念。還對R中的ANN函數(shù)進行介紹。
第2章介紹如何在圖形模型中進行精確推斷，并展示作為專家系統(tǒng)的應(yīng)用程序。推斷算法是學(xué)習(xí)和使用這類模型的基礎(chǔ)。讀者至少需要了解它們的用處及工作原理。
第3章闡述深度學(xué)習(xí)和深度學(xué)習(xí)中神經(jīng)網(wǎng)絡(luò)的使用。該章使用R的添加包介紹神經(jīng)網(wǎng)絡(luò)實現(xiàn)過程的細節(jié)，涵蓋許多為深度學(xué)習(xí)設(shè)置的隱藏層，并使用實用的數(shù)據(jù)集來幫助讀者理解實現(xiàn)過程。
第4章介紹感知機以及使用它構(gòu)建的應(yīng)用程序，以及基于R的感知機實現(xiàn)。
第5章涵蓋使用數(shù)據(jù)集訓(xùn)練神經(jīng)網(wǎng)絡(luò)的另一個案例，還通過使用函數(shù)plot()對輸入層、隱藏層和輸出層進行圖形表示，幫助讀者更好地理解神經(jīng)網(wǎng)絡(luò)。
第6章介紹循環(huán)神經(jīng)網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)及其在R中的實現(xiàn)。同時提出幾個案例幫助讀者了解基本概念。
第7章介紹不同領(lǐng)域的神經(jīng)網(wǎng)絡(luò)應(yīng)用，以及神經(jīng)網(wǎng)絡(luò)如何在AI領(lǐng)域中使用。有助于讀者了解神經(jīng)網(wǎng)絡(luò)算法的實際應(yīng)用。讀者可以采用不同的數(shù)據(jù)集、運行R代碼來進一步增強自身的技能。
準備工作本書著重于R環(huán)境中的神經(jīng)網(wǎng)絡(luò)，使用R 3.4.1和RStudio 1.0.153來建立各種應(yīng)用程序、開源和企業(yè)級專業(yè)軟件。本書專注于如何以最佳方式利用各種R添加包來構(gòu)建現(xiàn)實世界的應(yīng)用程序。本著這種精神，我們盡量保持所有代碼的友好性和可讀性。這將使讀者能夠輕松地讀懂代碼，并在不同的場景中輕松使用。
本書讀者對象本書適用于任何具有R和統(tǒng)計背景知識，同時希望使用神經(jīng)網(wǎng)絡(luò)從復(fù)雜數(shù)據(jù)中獲得更好結(jié)果的人。如果你對人工智能和深度學(xué)習(xí)感興趣，并希望提升自己，那么這本書就是你所需要的！
下載示例代碼讀者可以從http://www.packtpub.com或者華章網(wǎng)站http://www.hzbook.com/下載本書的示例代碼。
目 錄
譯者序
關(guān)于作者
關(guān)于審稿人
前言
第1章 神經(jīng)網(wǎng)絡(luò)和人工智能概念 1
1.1 簡介 2
1.2 神經(jīng)網(wǎng)絡(luò)的靈感 3
1.3 神經(jīng)網(wǎng)絡(luò)的工作原理 4
1.4 分層方法 5
1.5 權(quán)重和偏差 6
1.6 訓(xùn)練神經(jīng)網(wǎng)絡(luò) 7
1.6.1 有監(jiān)督學(xué)習(xí) 7
1.6.2 無監(jiān)督學(xué)習(xí) 7
1.7 epoch 7
1.8 激活函數(shù) 8
1.9 不同的激活函數(shù) 8
1.9.1 線性函數(shù) 8
1.9.2 單位階躍激活函數(shù) 9
1.9.3 sigmoid函數(shù) 10
1.9.4 雙曲正切函數(shù) 11
1.9.5 線性修正單元函數(shù) 11
1.10 使用哪些激活函數(shù) 12
1.11 感知機和多層架構(gòu) 13
1.12 前向和反向傳播 13
1.13 逐步說明神經(jīng)網(wǎng)絡(luò)和激活函數(shù) 14
1.14 前饋和反饋網(wǎng)絡(luò) 16
1.15 梯度下降 17
1.16 神經(jīng)網(wǎng)絡(luò)分類法 17
1.17 使用R語言神經(jīng)網(wǎng)絡(luò)添加包neuralnet()的簡單示例 19
1.18 使用添加包nnet()進行實現(xiàn) 24
1.19 深度學(xué)習(xí) 29
1.20 神經(jīng)網(wǎng)絡(luò)的優(yōu)缺點 29
1.21 神經(jīng)網(wǎng)絡(luò)實現(xiàn)的最佳實踐 30
1.22 有關(guān)GPU處理的簡要說明 30
1.23 小結(jié) 31
第2章 神經(jīng)網(wǎng)絡(luò)中的學(xué)習(xí)過程 32
2.1 機器學(xué)習(xí) 33
2.1.1 有監(jiān)督學(xué)習(xí) 34
2.1.2 無監(jiān)督學(xué)習(xí) 35
2.1.3 強化學(xué)習(xí) 36
2.2 訓(xùn)練和測試模型 37
2.3 數(shù)據(jù)循環(huán) 38
2.4 評估指標 39
2.5 學(xué)習(xí)神經(jīng)網(wǎng)絡(luò) 42
2.6 反向傳播 43
2.7 神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法的優(yōu)化 45
2.8 神經(jīng)網(wǎng)絡(luò)中的有監(jiān)督學(xué)習(xí) 46
2.8.1 波士頓數(shù)據(jù)集 46
2.8.2 對波士頓數(shù)據(jù)集進行神經(jīng)網(wǎng)絡(luò)回歸 48
2.9 神經(jīng)網(wǎng)絡(luò)中的無監(jiān)督學(xué)習(xí) 54
2.9.1 競爭學(xué)習(xí) 55
2.9.2 Kohonen SOM 57
2.10 小結(jié) 63
第3章 使用多層神經(jīng)網(wǎng)絡(luò)進行深度學(xué)習(xí) 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(jīng)網(wǎng)絡(luò) 69
3.4 使用H2O對DNN進行訓(xùn)練和建模 78
3.5 使用H2O建立深度自動編碼器 90
3.6 小結(jié) 91
第4章 感知神經(jīng)網(wǎng)絡(luò)建模—基本模型 93
4.1 感知機及其應(yīng)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(shù) 101
4.5 多層感知機 107
4.6 使用RSNNS在R中實現(xiàn)MLP 108
4.7 小結(jié) 117
第5章 在R中訓(xùn)練和可視化神經(jīng)網(wǎng)絡(luò) 119
5.1 使用神經(jīng)網(wǎng)絡(luò)進行數(shù)據(jù)擬合 120
5.1.1 探索性分析 124
5.1.2 神經(jīng)網(wǎng)絡(luò)模型 126
5.2 使用神經(jīng)網(wǎng)絡(luò)對乳腺癌進行分類 135
5.2.1 探索性分析 138
5.2.2 神經(jīng)網(wǎng)絡(luò)模型 143
5.2.3 網(wǎng)絡(luò)訓(xùn)練階段 146
5.2.4 測試神經(jīng)網(wǎng)絡(luò) 149
5.3 神經(jīng)網(wǎng)絡(luò)訓(xùn)練中的早期停止 152
5.4 避免模型中的過擬合 152
5.5 神經(jīng)網(wǎng)絡(luò)的泛化 154
5.6 神經(jīng)網(wǎng)絡(luò)模型中數(shù)據(jù)的縮放 154
5.7 集成神經(jīng)網(wǎng)絡(luò)來預(yù)測 155
5.8 小結(jié) 156
第6章 循環(huán)和卷積神經(jīng)網(wǎng)絡(luò) 157
6.1 循環(huán)神經(jīng)網(wǎng)絡(luò) 158
6.2 R中的添加包rnn 162
6.3 LSTM模型 170
6.4 卷積神經(jīng)網(wǎng)絡(luò) 172
6.5 常見的CNN架構(gòu)—LeNet 175
6.6 使用RNN進行濕度預(yù)測 176
6.7 小結(jié) 183
第7章 神經(jīng)網(wǎng)絡(luò)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(shù)據(jù)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(jié) 217
書單推薦
