第 1章 入門 1
1.1 介紹 1
1.2 安裝 R 及其 IDE 2
1.2.1 準(zhǔn)備 2
1.2.2 怎么做 2
1.3 安裝 Jupyter Notebook 應(yīng)用 3
1.3.1 怎么做 3
1.3.2 更多內(nèi)容 5
1.4 從 R 機器學(xué)習(xí)基礎(chǔ)開始 5
1.4.1 怎么做 6
1.4.2 工作原理 9
1.5 在 R 中安裝深度學(xué)習(xí)的工具 包 11
1.6 在 R 中安裝 MXNet 11
1.6.1 做好準(zhǔn)備 11
1.6.2 怎么做 12
1.7 在 R 中安裝 TensorFlow 13
1.7.1 做好準(zhǔn)備 13
1.7.2 怎么做 14
1.7.3 工作原理 15
1.8 在 R 中安裝 H2O 15
1.8.1 做好準(zhǔn)備 15
1.8.2 怎么做 16
1.8.3 工作原理 17
1.8.4 更多內(nèi)容 20
1.9 使用 Docker 一次安裝 3 個包 20
1.9.1 做好準(zhǔn)備 20
1.9.2 怎么做 21
1.9.3 更多內(nèi)容 22
第 2章 R深度學(xué)習(xí) 23
2.1 始于邏輯回歸 23
2.1.1 做好準(zhǔn)備 23
2.1.2 怎么做 24
2.2 介紹數(shù)據(jù)集 25
2.2.1 做好準(zhǔn)備 25
2.2.2 怎么做 25
2.3 使用 H2O 執(zhí)行邏輯回歸 26
2.3.1 做好準(zhǔn)備 26
2.3.2 怎么做 27
2.3.3 工作原理 28
2.4 使用 TensorFlow 執(zhí)行邏輯回歸 30
2.4.1 做好準(zhǔn)備 30
2.4.2 怎么做 30
2.4.3 工作原理 32
2.5 可視化 TensorFlow 圖 33
2.5.1 做好準(zhǔn)備 33
2.5.2 怎么做 34
2.5.3 工作原理 36
2.6 從多層感知器開始 37
2.6.1 做好準(zhǔn)備 37
2.6.2 怎么做 38
2.6.3 更多內(nèi)容 38
2.7 使用 H2O 建立神經(jīng)網(wǎng)絡(luò) 39
2.7.1 做好準(zhǔn)備 39
2.7.2 怎么做 39
2.7.3 工作原理 41
2.8 使用 H2O 中的網(wǎng)格搜索調(diào)整超參數(shù) 42
2.8.1 做好準(zhǔn)備 42
2.8.2 怎么做 42
2.8.3 工作原理 43
2.9 使用 MXNet 建立神經(jīng)網(wǎng)絡(luò) 44
2.9.1 做好準(zhǔn)備 44
2.9.2 怎么做 44
2.9.3 工作原理 46
2.10 使用 TensorFlow 建立神經(jīng)網(wǎng)絡(luò) 46
2.10.1 做好準(zhǔn)備 46
2.10.2 怎么做 46
2.10.3 工作原理 49
2.10.4 更多內(nèi)容 50
第3章 卷積神經(jīng)網(wǎng)絡(luò) 52
3.1 介紹 52
3.2 下載并配置圖像數(shù)據(jù)集 53
3.2.1 做好準(zhǔn)備 54
3.2.2 怎么做 54
3.2.3 工作原理 57
3.3 學(xué)習(xí) CNN 分類器的架構(gòu) 58
3.3.1 做好準(zhǔn)備 58
3.3.2 怎么做 58
3.3.3 工作原理 59
3.4 使用函數(shù)初始化權(quán)重和偏差 60
3.4.1 做好準(zhǔn)備 61
3.4.2 怎么做 61
3.4.3 工作原理 61
3.5 使用函數(shù)創(chuàng)建一個新的卷積層 61
3.5.1 做好準(zhǔn)備 61
3.5.2 怎么做 62
3.5.3 工作原理 64
3.6 使用函數(shù)創(chuàng)建一個扁平化的卷積層 65
3.6.1 做好準(zhǔn)備 65
3.6.2 怎么做 65
3.6.3 工作原理 65
3.7 使用函數(shù)扁平化密集連接層 66
3.7.1 做好準(zhǔn)備 66
3.7.2 怎么做 66
3.7.3 工作原理 67
3.8 定義占位符變量 67
3.8.1 做好準(zhǔn)備 67
3.8.2 怎么做 67
3.8.3 工作原理 68
3.9 創(chuàng)建第 一個卷積層 68
3.9.1 做好準(zhǔn)備 69
3.9.2 怎么做 69
3.9.3 工作原理 70
3.10 創(chuàng)建第二個卷積層 70
3.10.1 做好準(zhǔn)備 70
3.10.2 怎么做 71
3.10.3 工作原理 71
3.11 扁平化第二個卷積層 72
3.11.1 做好準(zhǔn)備 72
3.11.2 怎么做 72
3.11.3 工作原理 72
3.12 創(chuàng)建第 一個完全連接的層 73
3.12.1 做好準(zhǔn)備 73
3.12.2 怎么做 73
3.12.3 工作原理 73
3.13 將 dropout 應(yīng)用于第 一個完全連接的層 73
3.13.1 做好準(zhǔn)備 74
3.13.2 怎么做 74
3.13.3 工作原理 74
3.14 創(chuàng)建第二個帶有 dropout 的完全連接層 74
3.14.1 做好準(zhǔn)備 74
3.14.2 怎么做 75
3.14.3 工作原理 75
3.15 應(yīng)用 Softmax 激活以獲得預(yù)測的類 75
3.15.1 做好準(zhǔn)備 75
3.15.2 怎么做 75
3.16 定義用于優(yōu)化的成本函數(shù) 76
3.16.1 做好準(zhǔn)備 76
3.16.2 怎么做 76
3.16.3 工作原理 76
3.17 執(zhí)行梯度下降成本優(yōu)化 77
3.17.1 做好準(zhǔn)備 77
3.17.2 怎么做 77
3.18 在 TensorFlow 會話中執(zhí)行圖 77
3.18.1 做好準(zhǔn)備 77
3.18.2 怎么做 78
3.18.3 工作原理 78
3.19 評估測試數(shù)據(jù)的性能 79
3.19.1 做好準(zhǔn)備 79
3.19.2 怎么做 79
3.19.3 工作原理 81
第4章 使用自動編碼器的數(shù)據(jù)表示 83
4.1 介紹 83
4.2 構(gòu)建自動編碼器 84
4.2.1 做好準(zhǔn)備 85
4.2.2 怎么做 85
4.3 數(shù)據(jù)歸一化 86
4.3.1 做好準(zhǔn)備 86
4.3.2 怎么做 88
4.4 構(gòu)建正則自動編碼器 92
4.4.1 做好準(zhǔn)備 92
4.4.2 怎么做 92
4.4.3 工作原理 92
4.5 微調(diào)自動編碼器的參數(shù) 93
4.6 構(gòu)建棧式自動編碼器 94
4.6.1 做好準(zhǔn)備 94
4.6.2 怎么做 95
4.7 構(gòu)建降噪自動編碼器 96
4.7.1 做好準(zhǔn)備 96
4.7.2 怎么做 96
4.7.3 工作原理 101
4.8 構(gòu)建并比較隨機編碼器和解碼器 102
4.8.1 做好準(zhǔn)備 103
4.8.2 怎么做 103
4.9 從自動編碼器學(xué)習(xí)流形 109
4.10 評估稀疏分解 113
4.10.1 做好準(zhǔn)備 114
4.10.2 怎么做 114
4.10.3 工作原理 115
第5章 深度學(xué)習(xí)中的生成模型 116
5.1 比較主成分分析和受限玻爾茲曼機 116
5.1.1 做好準(zhǔn)備 117
5.1.2 怎么做 118
5.2 為伯努利分布輸入配置受限玻爾茲曼機 121
5.2.1 做好準(zhǔn)備 122
5.2.2 怎么做 122
5.3 訓(xùn)練受限玻爾茲曼機 122
5.3.1 做好準(zhǔn)備 123
5.3.2 怎么做 123
5.4 RBM 的反向或重構(gòu)階段 124
5.4.1 做好準(zhǔn)備 124
5.4.2 怎么做 124
5.5 了解重構(gòu)的對比散度 125
5.5.1 做好準(zhǔn)備 125
5.5.2 怎么做 125
5.5.3 工作原理 126
5.6 初始化并啟動一個新的 TensorFlow 會話 126
5.6.1 做好準(zhǔn)備 126
5.6.2 怎么做 127
5.6.3 工作原理 128
5.7 評估 RBM 的輸出 129
5.7.1 做好準(zhǔn)備 130
5.7.2 怎么做 130
5.7.3 工作原理 131
5.8 為協(xié)同過濾構(gòu)建一個受限玻爾茲曼機 132
5.8.1 做好準(zhǔn)備 132
5.8.2 怎么做 132
5.9 執(zhí)行一個完整的 RBM 訓(xùn)練 135
5.9.1 做好準(zhǔn)備 137
5.9.2 怎么做 137
5.10 構(gòu)建深度信念網(wǎng)絡(luò) 139
5.10.1 做好準(zhǔn)備 140
5.10.2 怎么做 141
5.10.3 工作原理 144
5.11 實現(xiàn)前饋反向傳播神經(jīng)網(wǎng)絡(luò) 145
5.11.1 做好準(zhǔn)備 145
5.11.2 怎么做 146
5.11.3 工作原理 150
5.12 建立一個深度受限玻爾茲曼機 150
5.12.1 做好準(zhǔn)備 150
5.12.2 怎么做 151
5.12.3 工作原理 156
第6章 循環(huán)神經(jīng)網(wǎng)絡(luò) 157
6.1 建立一個基本的循環(huán)神經(jīng)網(wǎng)絡(luò) 157
6.1.1 做好準(zhǔn)備 157
6.1.2 怎么做 158
6.1.3 工作原理 160
6.2 建立一個雙向 RNN 模型 161
6.2.1 做好準(zhǔn)備 162
6.2.2 怎么做 162
6.3 建立一個深度 RNN 模型 165
6.4 建立一個基于長短期記憶的序列模型 166
6.4.1 怎么做 167
6.4.2 工作原理 167
第7章 強化學(xué)習(xí) 170
7.1 介紹 170
7.2 建立馬爾可夫決策過程 171
7.2.1 做好準(zhǔn)備 171
7.2.2 怎么做 172
7.3 執(zhí)行基于模型的學(xué)習(xí) 177
7.4 進(jìn)行無模型學(xué)習(xí) 180
7.4.1 做好準(zhǔn)備 180
7.4.2 怎么做 181
第8章 深度學(xué)習(xí)在文本挖掘中的應(yīng)用 185
8.1 對文本數(shù)據(jù)進(jìn)行預(yù)處理并提取情感 185
8.1.1 怎么做 185
8.1.2 工作原理 191
8.2 使用 tf-idf 分析文檔 192
8.2.1 怎么做 192
8.2.2 工作原理 194
8.3 使用 LSTM 網(wǎng)絡(luò)執(zhí)行情感預(yù)測 194
8.3.1 怎么做 194
8.3.2 工作原理 198
8.4 使用 text2vec 示例的應(yīng)用程序 198
8.4.1 怎么做 198
8.4.2 工作原理 201
第9章 深度學(xué)習(xí)在信號處理中的應(yīng)用 202
9.1 介紹并預(yù)處理音樂 MIDI 文件 202
9.1.1 做好準(zhǔn)備 202
9.1.2 怎么做 203
9.2 建立 RBM 模型 204
9.2.1 做好準(zhǔn)備 204
9.2.2 怎么做 204
9.3 生成新的音符 206
第 10章 遷移學(xué)習(xí) 208
10.1 介紹 208
10.2 舉例說明預(yù)訓(xùn)練模型的使用 209
10.2.1 做好準(zhǔn)備 210
10.2.2 怎么做 210
10.3 構(gòu)建遷移學(xué)習(xí)模型 213
10.3.1 做好準(zhǔn)備 213
10.3.2 怎么做 213
10.4 構(gòu)建圖像分類模型 216
10.4.1 做好準(zhǔn)備 216
10.4.2 怎么做 216
10.5 在 GPU 上訓(xùn)練深度學(xué)習(xí)模型 219
10.5.1 做好準(zhǔn)備 219
10.5.2 怎么做 220
10.6 比較使用 CPU 和 GPU 的性能 221
10.6.1 做好準(zhǔn)備 221
10.6.2 怎么做 222
10.6.3 更多內(nèi)容 224
10.6.4 另請參閱 224