掃一掃
關(guān)注中圖網(wǎng)
官方微博
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應用
-
>
決戰(zhàn)行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調(diào)優(yōu)實踐之路
-
>
第一行代碼Android
-
>
JAVA持續(xù)交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
R語言深度學習 版權(quán)信息
- ISBN：9787111670537
- 條形碼：9787111670537 ; 978-7-111-67053-7
- 裝幀：一般膠版紙
- 冊數(shù)：暫無
- 重量：暫無
- 所屬分類：>>
R語言深度學習 本書特色
適讀人群 ：具有 R語言經(jīng)驗并希望學習機器學習和深度學習的讀者，數(shù)據(jù)科學家，深度學習專家，高等院校人工智能、數(shù)據(jù)科學等專業(yè)學生1.Keras之父、Google人工智能研究員Fran?ois Chollet和RStudio的創(chuàng)始人、首席執(zhí)行官J.J.Allaire聯(lián)袂奉獻，深度學習經(jīng)典著作。 2.從零開始，淺顯易懂，30多個代碼示例輕松助力從入門到實戰(zhàn)。 3.閱讀本書只需要具備高中水平的數(shù)學知識，不需要機器學習或深度學習的經(jīng)驗。 4.多為業(yè)內(nèi)知名專家推薦；提供可免費下載的源代碼。
R語言深度學習 內(nèi)容簡介
近年來機器學習取得了長足的進步。深度學習系統(tǒng)使得一些以往不可能實現(xiàn)的智能應用成為現(xiàn)實，推動了圖像識別和自然語言處理的巨大變革，也成功識別出了數(shù)據(jù)中的復雜模式。Keras深度學習庫為使用R語言的數(shù)據(jù)科學家和開發(fā)者提供了處理深度學習任務的工具集。 《R語言深度學習》基于強大的Keras庫及其R語言接口介紹了深度學習。本書源于Keras之父、Google人工智能研究員Fran.ois Chollet基于Python編寫的《Python深度學習》一書，由RStudio創(chuàng)始人J.J.Allaire修改為R語言版本，并采用直觀的解釋和實際的例子幫助讀者構(gòu)建對深度學習的理解。讀者可以針對計算機視覺、自然語言處理和生成式模型領(lǐng)域的R語言應用加以實踐。 《R語言深度學習》包含如下內(nèi)容：深度學習原理入門；深度學習環(huán)境設(shè)置；圖像分類與生成；基于文本和序列的深度學習。 閱讀本書需要具備R語言編程能力，不需要有機器學習或深度學習的經(jīng)驗。
R語言深度學習 目錄
目 錄
原書前言
致謝
關(guān)于本書
**部分 深度學習基礎(chǔ)
第 1章 什么是深度學習
1.1 人工智能、機器學習和深度學習
1.1.1 人工智能
1.1.2 機器學習
1.1.3 從數(shù)據(jù)中學習表述
1.1.4 深度學習的“深”
1.1.5 通過三張圖理解深度學習的原理
1.1.6 深度學習目前能做什么
1.1.7 不要相信短期炒作
1.1.8 人工智能的潛力
1.2 在深度學習之前：機器學習簡史
1.2.1 概率建模
1.2.2 早期的神經(jīng)網(wǎng)絡(luò)
1.2.3 核方法
1.2.4 決策樹、隨機森林、梯度提升機
1.2.5 回到神經(jīng)網(wǎng)絡(luò)
1.2.6 是什么讓深度學習與眾不同
1.2.7 現(xiàn)代機器學習發(fā)展
1.3 為什么會有深度學習？為什么是現(xiàn)在
1.3.1 硬件
1.3.2 數(shù)據(jù)
1.3.3 算法
1.3.4 新一輪投資潮
1.3.5 深度學習走向大眾
1.3.6 它會持續(xù)下去嗎
第 2章 在我們開始前：構(gòu)建神經(jīng)網(wǎng)絡(luò)的數(shù)學模塊
2.1 有關(guān)神經(jīng)網(wǎng)絡(luò)的**印象
2.2 神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)表示
2.2.1 標量（零維張量）
2.2.2 向量（一維張量）
2.2.3 矩陣（二維張量）
2.2.4 三維張量和高維張量
2.2.5 關(guān)鍵屬性
2.2.6 在 R中使用張量
2.2.7 數(shù)據(jù)批次的概念
2.2.8 數(shù)據(jù)張量的真實示例
2.2.9 向量數(shù)據(jù)
2.2.10 時間序列數(shù)據(jù)或序列數(shù)據(jù)
2.2.11 圖像數(shù)據(jù)
2.2.12 視頻數(shù)據(jù)
2.3 神經(jīng)網(wǎng)絡(luò)的齒輪：張量運算
2.3.1 逐元素運算
2.3.2 包含不同維度張量的運算
2.3.3 張量點積
2.3.4 張量重塑
2.3.5 張量運算的幾何解釋
2.3.6 深度學習的幾何解釋
2.4 神經(jīng)網(wǎng)絡(luò)的引擎：基于梯度的優(yōu)化
2.4.1 什么是導數(shù)
2.4.2 張量運算的導數(shù)：梯度
2.4.3 隨機梯度下降
2.4.4 鏈式導數(shù)：后向傳播算法
2.5 回顧我們的**個例子
2.6 本章小結(jié)
第 3章 神經(jīng)網(wǎng)絡(luò)入門
3.1 神經(jīng)網(wǎng)絡(luò)的剖析
3.1.1 層：深度學習的基石
3.1.2 模型：層網(wǎng)絡(luò)
3.1.3 損失函數(shù)和優(yōu)化器：配置學習過程的關(guān)鍵
3.2 Keras簡介
3.2.1 Keras、TensorFlow、Theano和 CNTK
3.2.2 安裝 Keras 46 3.2.3 使用 Keras進行開發(fā)：快速概述
3.3 建立深度學習工作站
3.3.1 讓 Keras運行：兩個選項
3.3.2 在云中運行深度學習任務：優(yōu)點和缺點
3.3.3 什么是深度學習的*佳GPU
3.4 電影評論分類：二元分類示例
3.4.1 IMDB數(shù)據(jù)集
3.4.2 準備數(shù)據(jù)
3.4.3 構(gòu)建網(wǎng)絡(luò)
3.4.4 方法驗證
3.4.5 使用經(jīng)過訓練的網(wǎng)絡(luò)生成對新數(shù)據(jù)的預測
3.4.6 進一步的實驗
3.4.7 小結(jié)
3.5 新聞專線分類：多類分類示例
3.5.1 Reuters數(shù)據(jù)集
3.5.2 準備數(shù)據(jù)
3.5.3 構(gòu)建網(wǎng)絡(luò)
3.5.4 方法驗證
3.5.5 生成對新數(shù)據(jù)的預測
3.5.6 處理標簽和損失的不同方式
3.5.7 具有足夠大的中間層的重要性
3.5.8 進一步的實驗
3.5.9 小結(jié)
3.6 預測房價：一個回歸的例子
3.6.1 波士頓住房價格數(shù)據(jù)集
3.6.2 準備數(shù)據(jù)
3.6.3 構(gòu)建網(wǎng)絡(luò)
3.6.4 使用 K折驗證
3.6.5 小結(jié)
3.7 本章小結(jié)
第 4章 機器學習基礎(chǔ)
4.1 機器學習的四個分支
4.1.1 監(jiān)督學習
4.1.2 無監(jiān)督學習
4.1.3 自監(jiān)督學習
4.1.4 強化學習
4.2 評估機器學習模型
4.2.1 訓練、驗證和測試集
4.2.2 要記住的事情
4.3 數(shù)據(jù)預處理、特征工程和特征學習
4.3.1 神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)預處理
4.3.2 特征工程
4.4 過擬合和欠擬合
4.4.1 縮小網(wǎng)絡(luò)規(guī)模
4.4.2 添加權(quán)重正則化
4.4.3 添加 dropout
4.5 機器學習的通用工作流程
4.5.1 定義問題并整合數(shù)據(jù)集
4.5.2 選擇衡量成功的標準
4.5.3 確定評估方案
4.5.4 準備數(shù)據(jù)
4.5.5 開發(fā)一個比基線更好的模型
4.5.6 擴展：開發(fā)一個過擬合的模型
4.5.7 正則化模型并調(diào)整超參數(shù)
4.6 本章小結(jié)
第二部分 深度學習實戰(zhàn)
第 5章 計算機視覺中的深度學習
5.1 卷積網(wǎng)絡(luò)概述
5.1.1 卷積操作
5.1.2 *大池化操作
5.2 在小型數(shù)據(jù)集上從頭開始訓練一個卷積網(wǎng)絡(luò)
5.2.1 深度學習與小數(shù)據(jù)問題的相關(guān)性
5.2.2 下載數(shù)據(jù)
5.2.3 構(gòu)建網(wǎng)絡(luò)
5.2.4 數(shù)據(jù)預處理
5.2.5 使用數(shù)據(jù)擴充
5.3 使用預訓練的卷積網(wǎng)絡(luò)
5.3.1 特征提取
5.3.2 微調(diào)
5.3.3 小結(jié)
5.4 可視化卷積網(wǎng)絡(luò)學習過程
5.4.1 可視化中間激活
5.4.2 可視化卷積網(wǎng)絡(luò)過濾器
5.4.3 可視化類激活的熱圖
5.5 本章小結(jié)
第 6章 用于文本和序列數(shù)據(jù)的深度學習
6.1 使用文本數(shù)據(jù)
6.1.1 詞和字符的獨熱編碼
6.1.2 使用單詞嵌入
6.1.3 將其全部放在一起：從原始文本到單詞嵌入
6.1.4 小結(jié)
6.2 了解循環(huán)神經(jīng)網(wǎng)絡(luò)
6.2.1 Keras中的循環(huán)層
6.2.2 理解 LSTM 和 GRU 層
6.2.3 Keras中的一個具體的 LSTM例子
6.2.4 小結(jié)
6
原書前言
致謝
關(guān)于本書
**部分 深度學習基礎(chǔ)
第 1章 什么是深度學習
1.1 人工智能、機器學習和深度學習
1.1.1 人工智能
1.1.2 機器學習
1.1.3 從數(shù)據(jù)中學習表述
1.1.4 深度學習的“深”
1.1.5 通過三張圖理解深度學習的原理
1.1.6 深度學習目前能做什么
1.1.7 不要相信短期炒作
1.1.8 人工智能的潛力
1.2 在深度學習之前：機器學習簡史
1.2.1 概率建模
1.2.2 早期的神經(jīng)網(wǎng)絡(luò)
1.2.3 核方法
1.2.4 決策樹、隨機森林、梯度提升機
1.2.5 回到神經(jīng)網(wǎng)絡(luò)
1.2.6 是什么讓深度學習與眾不同
1.2.7 現(xiàn)代機器學習發(fā)展
1.3 為什么會有深度學習？為什么是現(xiàn)在
1.3.1 硬件
1.3.2 數(shù)據(jù)
1.3.3 算法
1.3.4 新一輪投資潮
1.3.5 深度學習走向大眾
1.3.6 它會持續(xù)下去嗎
第 2章 在我們開始前：構(gòu)建神經(jīng)網(wǎng)絡(luò)的數(shù)學模塊
2.1 有關(guān)神經(jīng)網(wǎng)絡(luò)的**印象
2.2 神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)表示
2.2.1 標量（零維張量）
2.2.2 向量（一維張量）
2.2.3 矩陣（二維張量）
2.2.4 三維張量和高維張量
2.2.5 關(guān)鍵屬性
2.2.6 在 R中使用張量
2.2.7 數(shù)據(jù)批次的概念
2.2.8 數(shù)據(jù)張量的真實示例
2.2.9 向量數(shù)據(jù)
2.2.10 時間序列數(shù)據(jù)或序列數(shù)據(jù)
2.2.11 圖像數(shù)據(jù)
2.2.12 視頻數(shù)據(jù)
2.3 神經(jīng)網(wǎng)絡(luò)的齒輪：張量運算
2.3.1 逐元素運算
2.3.2 包含不同維度張量的運算
2.3.3 張量點積
2.3.4 張量重塑
2.3.5 張量運算的幾何解釋
2.3.6 深度學習的幾何解釋
2.4 神經(jīng)網(wǎng)絡(luò)的引擎：基于梯度的優(yōu)化
2.4.1 什么是導數(shù)
2.4.2 張量運算的導數(shù)：梯度
2.4.3 隨機梯度下降
2.4.4 鏈式導數(shù)：后向傳播算法
2.5 回顧我們的**個例子
2.6 本章小結(jié)
第 3章 神經(jīng)網(wǎng)絡(luò)入門
3.1 神經(jīng)網(wǎng)絡(luò)的剖析
3.1.1 層：深度學習的基石
3.1.2 模型：層網(wǎng)絡(luò)
3.1.3 損失函數(shù)和優(yōu)化器：配置學習過程的關(guān)鍵
3.2 Keras簡介
3.2.1 Keras、TensorFlow、Theano和 CNTK
3.2.2 安裝 Keras 46 3.2.3 使用 Keras進行開發(fā)：快速概述
3.3 建立深度學習工作站
3.3.1 讓 Keras運行：兩個選項
3.3.2 在云中運行深度學習任務：優(yōu)點和缺點
3.3.3 什么是深度學習的*佳GPU
3.4 電影評論分類：二元分類示例
3.4.1 IMDB數(shù)據(jù)集
3.4.2 準備數(shù)據(jù)
3.4.3 構(gòu)建網(wǎng)絡(luò)
3.4.4 方法驗證
3.4.5 使用經(jīng)過訓練的網(wǎng)絡(luò)生成對新數(shù)據(jù)的預測
3.4.6 進一步的實驗
3.4.7 小結(jié)
3.5 新聞專線分類：多類分類示例
3.5.1 Reuters數(shù)據(jù)集
3.5.2 準備數(shù)據(jù)
3.5.3 構(gòu)建網(wǎng)絡(luò)
3.5.4 方法驗證
3.5.5 生成對新數(shù)據(jù)的預測
3.5.6 處理標簽和損失的不同方式
3.5.7 具有足夠大的中間層的重要性
3.5.8 進一步的實驗
3.5.9 小結(jié)
3.6 預測房價：一個回歸的例子
3.6.1 波士頓住房價格數(shù)據(jù)集
3.6.2 準備數(shù)據(jù)
3.6.3 構(gòu)建網(wǎng)絡(luò)
3.6.4 使用 K折驗證
3.6.5 小結(jié)
3.7 本章小結(jié)
第 4章 機器學習基礎(chǔ)
4.1 機器學習的四個分支
4.1.1 監(jiān)督學習
4.1.2 無監(jiān)督學習
4.1.3 自監(jiān)督學習
4.1.4 強化學習
4.2 評估機器學習模型
4.2.1 訓練、驗證和測試集
4.2.2 要記住的事情
4.3 數(shù)據(jù)預處理、特征工程和特征學習
4.3.1 神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)預處理
4.3.2 特征工程
4.4 過擬合和欠擬合
4.4.1 縮小網(wǎng)絡(luò)規(guī)模
4.4.2 添加權(quán)重正則化
4.4.3 添加 dropout
4.5 機器學習的通用工作流程
4.5.1 定義問題并整合數(shù)據(jù)集
4.5.2 選擇衡量成功的標準
4.5.3 確定評估方案
4.5.4 準備數(shù)據(jù)
4.5.5 開發(fā)一個比基線更好的模型
4.5.6 擴展：開發(fā)一個過擬合的模型
4.5.7 正則化模型并調(diào)整超參數(shù)
4.6 本章小結(jié)
第二部分 深度學習實戰(zhàn)
第 5章 計算機視覺中的深度學習
5.1 卷積網(wǎng)絡(luò)概述
5.1.1 卷積操作
5.1.2 *大池化操作
5.2 在小型數(shù)據(jù)集上從頭開始訓練一個卷積網(wǎng)絡(luò)
5.2.1 深度學習與小數(shù)據(jù)問題的相關(guān)性
5.2.2 下載數(shù)據(jù)
5.2.3 構(gòu)建網(wǎng)絡(luò)
5.2.4 數(shù)據(jù)預處理
5.2.5 使用數(shù)據(jù)擴充
5.3 使用預訓練的卷積網(wǎng)絡(luò)
5.3.1 特征提取
5.3.2 微調(diào)
5.3.3 小結(jié)
5.4 可視化卷積網(wǎng)絡(luò)學習過程
5.4.1 可視化中間激活
5.4.2 可視化卷積網(wǎng)絡(luò)過濾器
5.4.3 可視化類激活的熱圖
5.5 本章小結(jié)
第 6章 用于文本和序列數(shù)據(jù)的深度學習
6.1 使用文本數(shù)據(jù)
6.1.1 詞和字符的獨熱編碼
6.1.2 使用單詞嵌入
6.1.3 將其全部放在一起：從原始文本到單詞嵌入
6.1.4 小結(jié)
6.2 了解循環(huán)神經(jīng)網(wǎng)絡(luò)
6.2.1 Keras中的循環(huán)層
6.2.2 理解 LSTM 和 GRU 層
6.2.3 Keras中的一個具體的 LSTM例子
6.2.4 小結(jié)
6
展開全部
R語言深度學習 作者簡介
Fran?ois Chollet在Google加州山景城從事深度學習相關(guān)的工作。他是Keras深度學習庫的創(chuàng)建者，也是TensorFlow機器學習框架的貢獻者。他還從事深度學習研究工作，側(cè)重于計算機視覺和形式推理的機器學習應用。他的論文已在該領(lǐng)域的重要會議上發(fā)表，包括計算機視覺與模式識別會議（CVPR）、神經(jīng)信息處理系統(tǒng)（NIPS）會議及分論壇、國際學習表征會議（ICLR）等。 J.J.Allaire是RStudio的創(chuàng)始人和RStudio集成開發(fā)環(huán)境的創(chuàng)建者，也是TensorFlow和Keras的R接口的作者。
書友推薦
- >
新文學天穹兩巨星--魯迅與胡適/紅燭學術(shù)叢書(紅燭學術(shù)叢書)
- >
小考拉的故事-套裝共3冊
- >
我從未如此眷戀人間
- >
自卑與超越
- >
大紅狗在馬戲團-大紅狗克里弗-助人
- >
莉莉和章魚
- >
人文閱讀與收藏·良友文學叢書:一天的工作
- >
煙與鏡
本類暢銷
