我爱电子书-《神经网络：R语言实现: 智能系统与技术丛书》| pdf + epub + mobi + awz3, 高清版, 带目录，Kindle版, 多看精排版下载

注重体验与质量的电子书资源下载网站

分类于: 编程语言计算机基础人工智能

简介

神经网络：R语言实现: 智能系统与技术丛书豆 0.0分

资源最后更新于 2020-03-29 02:46:01

作者：〔美〕朱塞佩·查博罗（Giuseppe Ciaburro）〔美〕巴拉伊·温卡特斯瓦兰（Balaji Venkateswaran）

译者：李洪成

出版社：出版社机械工业出版社

出版日期：2018-07

ISBN：9787111603849

文件格式： pdf

标签：计算机编程人工智能程序设计智能系统与技术丛书

简介· · · · · ·

本书涵盖了各种类型的神经网络，包括循环神经网络、卷积神经网络、多层神经网络、感知神经网络等。你将不仅学习如何训练神经网络，还可以探索这些神经网络的泛化。之后，将深入研究不同的神经网络模型，并与现实世界的案例相结合。朱塞佩·查博罗（GiuseppeCiaburro），巴拉伊·温卡特斯瓦兰（BalajiVenkateswaran）编著

直接下载

简介

神经网络：R语言实现: 智能系统与技术丛书 豆 0.0分

简介· · · · · ·

目录

译者序

关于作者

关于审稿人

前言

第1章 神经网络和人工智能概念

1.1 简介

1.2 神经网络的灵感

1.3 神经网络的工作原理

1.4 分层方法

1.5 权重和偏差

1.6 训练神经网络

1.7 epoch

1.8 激活函数

1.9 不同的激活函数

1.10 使用哪些激活函数

1.11 感知机和多层架构

1.12 前向和反向传播

1.13 逐步说明神经网络和激活函数

1.14 前馈和反馈网络

1.15 梯度下降

1.16 神经网络分类法

1.17 使用R语言神经网络添加包neuralnet()的简单示例

1.18 使用添加包nnet()进行实现

1.19 深度学习

1.20 神经网络的优缺点

1.21 神经网络实现的最佳实践

1.22 有关GPU处理的简要说明

1.23 小结

第2章 神经网络中的学习过程

2.1 机器学习

2.2 训练和测试模型

2.3 数据循环

2.4 评估指标

2.5 学习神经网络

2.6 反向传播

2.7 神经网络学习算法的优化

2.8 神经网络中的有监督学习

2.9 神经网络中的无监督学习

2.10 小结

第3章 使用多层神经网络进行深度学习

3.1 DNN简介

3.2 用于DNN的R语言

3.3 通过neuralnet建立多层神经网络

3.4 使用H2O对DNN进行训练和建模

3.5 使用H2O建立深度自动编码器

3.6 小结

第4章 感知神经网络建模——基本模型

4.1 感知机及其应用

4.2 简单感知机——一个线性可分离分类器

4.3 线性分离

4.4 R中的感知机函数

4.5 多层感知机

4.6 使用RSNNS在R中实现MLP

4.7 小结

第5章 在R中训练和可视化神经网络

5.1 使用神经网络进行数据拟合

5.2 使用神经网络对乳腺癌进行分类

5.3 神经网络训练中的早期停止

5.4 避免模型中的过拟合

5.5 神经网络的泛化

5.6 神经网络模型中数据的缩放

5.7 集成神经网络来预测

5.8 小结

第6章 循环和卷积神经网络

6.1 循环神经网络

6.2 R中的添加包rnn

6.3 LSTM模型

6.4 卷积神经网络

6.5 常见的CNN架构——LeNet

6.6 使用RNN进行湿度预测

6.7 小结

第7章 神经网络案例——高级主题

7.1 TensorFlow与R的集成

7.2 Keras与R的集成

7.3 在R中使用MNIST HWR

7.4 使用数据集iris建立LSTM

神经网络：R语言实现: 智能系统与技术丛书豆 0.0分

第1章　神经网络和人工智能概念

1.1　简介

1.2　神经网络的灵感

1.3　神经网络的工作原理

1.4　分层方法

1.5　权重和偏差

1.6　训练神经网络

1.7　epoch

1.8　激活函数

1.9　不同的激活函数

1.10　使用哪些激活函数

1.11　感知机和多层架构

1.12　前向和反向传播

1.13　逐步说明神经网络和激活函数

1.14　前馈和反馈网络

1.15　梯度下降

1.16　神经网络分类法

1.17　使用R语言神经网络添加包neuralnet()的简单示例

1.18　使用添加包nnet()进行实现

1.19　深度学习

1.20　神经网络的优缺点

1.21　神经网络实现的最佳实践

1.22　有关GPU处理的简要说明

1.23　小结

第2章　神经网络中的学习过程

2.1　机器学习

2.2　训练和测试模型

2.3　数据循环

2.4　评估指标

2.5　学习神经网络

2.6　反向传播

2.7　神经网络学习算法的优化

2.8　神经网络中的有监督学习

2.9　神经网络中的无监督学习

2.10　小结

第3章　使用多层神经网络进行深度学习

3.1　DNN简介

3.2　用于DNN的R语言

3.3　通过neuralnet建立多层神经网络

3.4　使用H2O对DNN进行训练和建模

3.5　使用H2O建立深度自动编码器

3.6　小结

第4章　感知神经网络建模——基本模型

4.1　感知机及其应用

4.2　简单感知机——一个线性可分离分类器

4.3　线性分离

4.4　R中的感知机函数

4.5　多层感知机

4.6　使用RSNNS在R中实现MLP

4.7　小结

第5章　在R中训练和可视化神经网络

5.1　使用神经网络进行数据拟合

5.2　使用神经网络对乳腺癌进行分类

5.3　神经网络训练中的早期停止

5.4　避免模型中的过拟合

5.5　神经网络的泛化

5.6　神经网络模型中数据的缩放

5.7　集成神经网络来预测

5.8　小结

第6章　循环和卷积神经网络

6.1　循环神经网络

6.2　R中的添加包rnn

6.3　LSTM模型

6.4　卷积神经网络

6.5　常见的CNN架构——LeNet

6.6　使用RNN进行湿度预测

6.7　小结

第7章　神经网络案例——高级主题

7.1　TensorFlow与R的集成

7.2　Keras与R的集成

7.3　在R中使用MNIST HWR

7.4　使用数据集iris建立LSTM

7.5　使用自动编码器

7.6　使用H2O进行主成分分析

7.7　使用H2O建立自动编码器

7.8　使用添加包darch检测乳腺癌

7.9　小结