深度学习是机器学习的一个分支，其基础是一组试图使用模型架构建立高水平抽象模型的算法。本书结合R语言介绍深度学习软件包H2O，帮助读者理解深度学习的概念。本书从在R中设置可获取的重要深度学习包开始，接着转向建立神经网络、预测和深度预测等模型，所有这些模型都由实际案例的辅助来实现。成功安装了H2O软件包后，你将学习预测算法。随后本书会解释诸如过拟合数据、异常数据以及深度预测模型等概念。zui后，本书会介绍设计调参和优化模型的概念。本书适合那些胸怀大志的数据科学家，他们精通R语言数据科学概念，并希望可以使用R中的包进一步探索深度学习范式。读者需要对R语言具备基础的理解，并熟悉统计算法和机器学习技术。通过阅读本书，你将能够:● 建立R包H2O训练深度学习模型；● 理解深度学习模型背后的核心概念；● 使用自动编码器识别异常数据或离群点；● 使用深度神经网络自动化地预测或分类数据；● 使用正则化建立泛化模型，避免数据的过拟合。
本书重点介绍如何将R语言和深度学习模型或深度神经网络结合起来，解决实际的应用需求。全书共6章，分别介绍了深度这习基础知识、训练预测模型、如何防止过拟合、识别异常数据、训练深度预测模型以及调节和优化模型等内容。本书适合了解机器学习概念和R语言并想要使用R提供的包来探索深度学习应用的读者学习参考。
目录
- 第1章 深度学习入门1
- 1.1 什么是深度学习1
- 1.2 神经网络的概念
- 综述2
- 1.3 深度神经网络6
- 1.4 用于深度学习的R包8
- 1.5 建立可重复的结果9
- 1.5.1 神经网络12
- 1.5.2 deepnet包13
- 1.5.3 darch包14
- 1.5.4 H2O包14
- 1.6 连接R和H2O14
- 1.6.1 初始化H2O15
- 1.6.2 数据集连结到H2O
- 集群17
- 1.7 小结19
- 第2章 训练预测模型20
- 2.1 R中的神经网络20
- 2.1.1 建立神经网络21
- 2.1.2 从神经网络生成
- 预测36
- 2.2 数据过拟合的问题—
- 结果的解释38
- 2.3 用例—建立并运用
- 神经网络41
- 2.4 小结47
- 第3章 防止过拟合48
- 3.1 L1罚函数49
- 3.2 L2罚函数53
- 3.2.1 L2罚函数实战54
- 3.2.2 权重衰减（神经网络中的L2罚函数）55
- 3.3 集成和模型平均59
- 3.4 用例—使用丢弃提升样本
- 外模型性能62
- 3.5 小结67
- 第4章 识别异常数据68
- 4.1 无监督学习入门69
- 4.2 自动编码器如何工作70
- 4.3 在R中训练自动编码器73
- 4.4 用例—建立并运用自动
- 编码器模型85
- 4.5 微调自动编码器模型90
- 4.6 小结95
- 第5章 训练深度预测模型96
- 5.1 深度前馈神经网络入门97
- 5.2 常用的激活函数—整流器、双曲正切和maxout99
- 5.3 选取超参数101
- 5.4 从深度神经网络训练和
- 预测新数据105
- 5.5 用例—为自动分类生成
- 深度神经网络114
- 5.6 小结132
- 第6章 调节和优化模型133
- 6.1 处理缺失数据134
- 6.2 低准确度模型的解决
- 方案137
- 6.2.1 网格搜索138
- 6.2.2 随机搜索139
- 6.3 小结151
- 参考文献152
