未读消息消息

购物车

我的订单

个人中心

店铺

我的订单收藏商品

拍卖

拍卖交易我的竞拍收藏拍品

我的好友资金账户

卖家中心

客服 |

帮助中心 9:00-20:30 在线留言

客服电话

010-89648155

服务时间

客服咨询 08:00-21:00

纠纷处理

09:00-12:30

13:30-18:00

图书审核 09:00-18:00

监督与建议

请选择

手机孔网

神经网络：R语言实现

作者: [美] 朱塞佩·查博罗（Giuseppe Ciaburro）著 , 李洪成译

出版社: 机械工业出版社

出版时间: 2018-07

版次: 1

ISBN: 9787111603849

定价: 59.00

装帧: 平装

开本: 16开

纸张: 胶版纸

页数: 232页

字数: 100千字

丛书: 智能系统与技术丛书

分类: 计算机与互联网

19人买过

本书从神经网络的基本概念出发，详细介绍了神经网络的学习过程、前向神经网络、后向反馈神经网络、循环和卷积神经网络、多层神经网络，感知神经网络、深度神经网络。在介绍神经网络基本知识的同时，应用当前为广泛使用的数据分析软件R，演示了相关的神经网络概念和模型的应用。同时，本书也介绍了当前流行的神经网络模型的实现软件包，例如TensorFlow、Keras等，并介绍了如何把它们集成到R的应用中。

朱塞佩查博罗（giueppeciaburro），拥有univeritadeglitudidinapolifedericoⅱ的化学工程硕士，econdauniveritadeglitudidinapoli的声学和噪声控制硕士。目前工作于univeritadeglitudidellacampania“luigivanvitelli”的建筑环境控制实验室。他有超过15年的python和r语言编程经验，以及丰富的matlab使用经验，涉足氧化领域、声学和噪声控制领域。作为一名声学和噪声控制方面的专家，giueppe有约15年的专业计算机课程授课经验，也制作了很多在线。同时，在专著、科学期刊和专题会议报告上都有贡献。他目前正在研究机器学在声学和噪声控制中的应用。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

1.1　简介 2

1.2　神经网络的灵感 3

1.3　神经网络的工作原理 4

1.4　分层方法 5

1.5　权重和偏差 6

1.6　训练神经网络 7

1.6.1　有监督学习 7

1.6.2　无监督学习 7

1.7　epoch 7

1.8　激活函数 8

1.9　不同的激活函数 8

1.9.1　线性函数 8

1.9.2　单位阶跃激活函数 9

1.9.3　sigmoid函数 10

1.9.4　双曲正切函数 11

1.9.5　线性修正单元函数 11

1.10　使用哪些激活函数 12

1.11 感知机和多层架构 13

1.12 前向和反向传播 13

1.13　逐步说明神经网络和激活函数 14

1.14　前馈和反馈网络 16

1.15　梯度下降 17

1.16　神经网络分类法 17

1.17　使用R语言神经网络添加包neuralnet()的简单示例 19

1.18　使用添加包nnet()进行实现 24

1.19　深度学习 29

1.20　神经网络的优缺点 29

1.21　神经网络实现的最佳实践 30

1.22　有关GPU处理的简要说明 30

1.23　小结 31

第2章　神经网络中的学习过程 32

2.1　机器学习 33

2.1.1　有监督学习 34

2.1.2　无监督学习 35

2.1.3　强化学习 36

2.2　训练和测试模型 37

2.3　数据循环 38

2.4　评估指标 39

2.5　学习神经网络 42

2.6　反向传播 43

2.7　神经网络学习算法的优化 45

2.8　神经网络中的有监督学习 46

2.8.1　波士顿数据集 46

2.8.2　对波士顿数据集进行神经网络回归 48

2.9　神经网络中的无监督学习 54

2.9.1　竞争学习 55

2.9.2　Kohonen SOM 57

2.10　小结 63

第3章　使用多层神经网络进行深度学习 64

3.1　DNN简介 65

3.2　用于DNN的R语言 67

3.3　通过neuralnet建立多层神经网络 69

3.4　使用H2O对DNN进行训练和建模 78

3.5　使用H2O建立深度自动编码器 90

3.6　小结 91

第4章　感知神经网络建模—基本模型 93

4.1　感知机及其应用 93

4.2　简单感知机—一个线性可分离分类器 96

4.3　线性分离 98

4.4　R中的感知机函数 101

4.5　多层感知机 107

4.6　使用RSNNS在R中实现MLP 108

4.7　小结 117

第5章　在R中训练和可视化神经网络 119

5.1　使用神经网络进行数据拟合 120

5.1.1　探索性分析 124

5.1.2　神经网络模型 126

5.2　使用神经网络对乳腺癌进行分类 135

5.2.1　探索性分析 138

5.2.2　神经网络模型 143

5.2.3　网络训练阶段 146

5.2.4　测试神经网络 149

5.3　神经网络训练中的早期停止 152

5.4　避免模型中的过拟合 152

5.5　神经网络的泛化 154

5.6　神经网络模型中数据的缩放 154

5.7　集成神经网络来预测 155

5.8　小结 156

第6章　循环和卷积神经网络 157

6.1　循环神经网络 158

6.2　R中的添加包rnn 162

6.3　LSTM模型 170

6.4　卷积神经网络 172

6.5　常见的CNN架构—LeNet 175

6.6　使用RNN进行湿度预测 176

6.7　小结 183

第7章　神经网络案例—高级主题 185

7.1　TensorFlow与R的集成 186

7.2　Keras与R的集成 189

7.3　在R中使用MNIST HWR 190

7.4　使用数据集iris建立LSTM 199

7.5　使用自动编码器 203

7.6　使用H2O进行主成分分析 204

7.7　使用H2O建立自动编码器 207

7.8　使用添加包darch检测乳腺癌 211

7.9　小结 217
内容简介:
本书从神经网络的基本概念出发，详细介绍了神经网络的学习过程、前向神经网络、后向反馈神经网络、循环和卷积神经网络、多层神经网络，感知神经网络、深度神经网络。在介绍神经网络基本知识的同时，应用当前为广泛使用的数据分析软件R，演示了相关的神经网络概念和模型的应用。同时，本书也介绍了当前流行的神经网络模型的实现软件包，例如TensorFlow、Keras等，并介绍了如何把它们集成到R的应用中。
作者简介:

朱塞佩查博罗（giueppeciaburro），拥有univeritadeglitudidinapolifedericoⅱ的化学工程硕士，econdauniveritadeglitudidinapoli的声学和噪声控制硕士。目前工作于univeritadeglitudidellacampania“luigivanvitelli”的建筑环境控制实验室。他有超过15年的python和r语言编程经验，以及丰富的matlab使用经验，涉足氧化领域、声学和噪声控制领域。作为一名声学和噪声控制方面的专家，giueppe有约15年的专业计算机课程授课经验，也制作了很多在线。同时，在专著、科学期刊和专题会议报告上都有贡献。他目前正在研究机器学在声学和噪声控制中的应用。
目录:
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

1.1　简介 2

1.2　神经网络的灵感 3

1.3　神经网络的工作原理 4

1.4　分层方法 5

1.5　权重和偏差 6

1.6　训练神经网络 7

1.6.1　有监督学习 7

1.6.2　无监督学习 7

1.7　epoch 7

1.8　激活函数 8

1.9　不同的激活函数 8

1.9.1　线性函数 8

1.9.2　单位阶跃激活函数 9

1.9.3　sigmoid函数 10

1.9.4　双曲正切函数 11

1.9.5　线性修正单元函数 11

1.10　使用哪些激活函数 12

1.11 感知机和多层架构 13

1.12 前向和反向传播 13

1.13　逐步说明神经网络和激活函数 14

1.14　前馈和反馈网络 16

1.15　梯度下降 17

1.16　神经网络分类法 17

1.17　使用R语言神经网络添加包neuralnet()的简单示例 19

1.18　使用添加包nnet()进行实现 24

1.19　深度学习 29

1.20　神经网络的优缺点 29

1.21　神经网络实现的最佳实践 30

1.22　有关GPU处理的简要说明 30

1.23　小结 31

第2章　神经网络中的学习过程 32

2.1　机器学习 33

2.1.1　有监督学习 34

2.1.2　无监督学习 35

2.1.3　强化学习 36

2.2　训练和测试模型 37

2.3　数据循环 38

2.4　评估指标 39

2.5　学习神经网络 42

2.6　反向传播 43

2.7　神经网络学习算法的优化 45

2.8　神经网络中的有监督学习 46

2.8.1　波士顿数据集 46

2.8.2　对波士顿数据集进行神经网络回归 48

2.9　神经网络中的无监督学习 54

2.9.1　竞争学习 55

2.9.2　Kohonen SOM 57

2.10　小结 63

第3章　使用多层神经网络进行深度学习 64

3.1　DNN简介 65

3.2　用于DNN的R语言 67

3.3　通过neuralnet建立多层神经网络 69

3.4　使用H2O对DNN进行训练和建模 78

3.5　使用H2O建立深度自动编码器 90

3.6　小结 91

第4章　感知神经网络建模—基本模型 93

4.1　感知机及其应用 93

4.2　简单感知机—一个线性可分离分类器 96

4.3　线性分离 98

4.4　R中的感知机函数 101

4.5　多层感知机 107

4.6　使用RSNNS在R中实现MLP 108

4.7　小结 117

第5章　在R中训练和可视化神经网络 119

5.1　使用神经网络进行数据拟合 120

5.1.1　探索性分析 124

5.1.2　神经网络模型 126

5.2　使用神经网络对乳腺癌进行分类 135

5.2.1　探索性分析 138

5.2.2　神经网络模型 143

5.2.3　网络训练阶段 146

5.2.4　测试神经网络 149

5.3　神经网络训练中的早期停止 152

5.4　避免模型中的过拟合 152

5.5　神经网络的泛化 154

5.6　神经网络模型中数据的缩放 154

5.7　集成神经网络来预测 155

5.8　小结 156

第6章　循环和卷积神经网络 157

6.1　循环神经网络 158

6.2　R中的添加包rnn 162

6.3　LSTM模型 170

6.4　卷积神经网络 172

6.5　常见的CNN架构—LeNet 175

6.6　使用RNN进行湿度预测 176

6.7　小结 183

第7章　神经网络案例—高级主题 185

7.1　TensorFlow与R的集成 186

7.2　Keras与R的集成 189

7.3　在R中使用MNIST HWR 190

7.4　使用数据集iris建立LSTM 199

7.5　使用自动编码器 203

7.6　使用H2O进行主成分分析 204

7.7　使用H2O建立自动编码器 207

7.8　使用添加包darch检测乳腺癌 211

7.9　小结 217

查看详情

神经网络：R语言实现

内容简介:

作者简介:

目录: