前言
第1章引言
1.1關於深度學習
1.1.1深度學習興起的淵源
1.1.2深度學習總體框架
1.1.3深度學習本質
1.1.4深度學習應用
1.2前嚮反饋神經網絡FNN
1.2.1多層感知器
1.2.2神經元的作用
1.2.3激活函數
1.2.4學習算法
1.3R語言基礎
1.3.1入門
1.3.2基本語法
1.3.3數據
1.3.4繪圖
1.3.5數據準備
1.3.6基本運算
1.4FNN的R實現
1.5學習指南
第2章深度神經網絡DNN
2.1DNN原理
2.2DNN應用
2.2.1提高霧天視覺能見度
2.2.2打擊黑客和網絡犯罪
2.2.3圖像壓縮
2.2.4函數逼近
2.3DNN應用需要注意的一些問題
2.3.1神經元數量
2.3.2最佳層數的選擇
2.3.3訓練時間過長
2.3.4過擬閤
2.4DNN應用技巧
2.5單響應變量DNN的R實現
2.6多響應變量DNN的R實現
2.7學習指南
第3章捲積神經網絡CNN
3.1CNN原理
3.1.1局部感知
3.1.2權值共享
3.1.3多捲積核
3.1.4池化
3.2多層捲積
3.2.1ImageNet-2010網絡結構
3.2.2DeepID網絡結構
3.3CNN的R實現
3.4學習指南
第4章遞歸神經網絡RNN
4.1RNN原理
4.2Elman網絡
4.2.1承接層神經元的作用
4.2.2信息流動
4.2.3Elman網絡應用
4.3Jordan網絡
4.3.1Jordan網絡結構
4.3.2Jordan網絡應用
4.4RNN的R實現
4.5學習指南
第5章自編碼網絡AE
5.1無監督學習過程
5.2AE基本結構
5.2.1降維問題
5.2.2特徵抽取
5.3稀疏自動編碼網絡SAE
5.3.1Kullback-Leibler散度
5.3.2使用SAE注意事項
5.4SAE的R實現
5.5學習指南
第6章堆棧自編碼網絡SA
6.1SA原理
6.2SA的R實現
6.3降噪自編碼網絡DAE
6.3.1隨機掩蔽的椒鹽噪聲
6.3.2DAE基本任務
6.3.3標準化堆棧降噪自編碼網絡
6.4DAE的R實現
6.5學習指南
第7章受限玻耳茲曼機RBM
7.1RBM原理
7.1.1玻耳茲曼機的四類知識
7.1.2能量和概率的作用
7.1.3聯閤概率分布錶示的自編碼網絡
7.1.4模型學習的目標
7.2訓練技巧
7.2.1技巧1：Gibbs采樣
7.2.2技巧2: 最小化KL距離
7.2.3技巧3：使用RLU激活函數
7.2.4技巧4：模擬退火
7.3對深度學習的質疑
7.4RBM應用
7.4.1肝癌分類的RBM
7.4.2麻醉鎮定作用預測的RBM
7.5RBM的R實現
7.6學習指南
第8章深度置信網絡DBN
8.1DBN原理
8.2應用案例
8.3DBN的R實現
8.4學習指南
第9章MXNetR
9.1MXNet技術特性
9.2MXNetR安裝
9.2.1安裝MXNet基本需求
9.2.2MXNet雲設置
9.2.3MXNet安裝方法
9.2.4MXNetR安裝方法
9.2.5常見的安裝問題
9.3MXNetR在深度學習中的應用
9.3.1二分類模型
9.3.2迴歸模型與自定義神經網絡
9.3.3手寫數字競賽
9.3.4圖像識彆應用
9.4學習指南
第10章word2vec的R語言實現
10.1word2vec詞嚮量由來
10.1.1統計語言模型
10.1.2神經網絡概率語言模型
10.2word2vec——詞嚮量特徵提取模型
10.2.1詞嚮量
10.2.2CBOW的分層網絡結構——HCBOW
10.2.3word2vec流程
10.3word2vec 的R實現
10.3.1tmcn.word2vec包
10.3.2word2vec自編譯函數
10.3.3使用tmcn.word2vec和word2vec注意的問題
10.4學習指南
第11章R語言其他深度學習包
11.1darch包
11.2Rdbn包
11.2.1Rdbn原理
11.2.2Rdbn安裝
11.2.3Rdbn應用
11.3H2O 包
11.3.1H2O原理
11.3.2H2O應用
11.4deepnet包
11.5mbench包
11.6AMORE包
11.7學習指南
附錄
附錄A深度學習發展史
附錄B深度學習的未來——GAN
附錄CR包分類
參考文獻
後記
· · · · · · (收起)