神经网络
全新正版 假一赔十 可开发票
￥ 37.97 6.4折 ￥ 59 全新
仅1件
北京东城
认证卖家担保交易快速发货售后保障
作者(美)朱塞佩·查博罗(Giuseppe Ciaburro),(美)巴拉伊·温卡特斯瓦兰(Balaji Venkateswaran) 著;李洪成 译
出版社机械工业出版社
ISBN9787111603849
出版时间2018-07
装帧平装
开本16开
定价59元
货号1201734464
上书时间2024-09-10
商品详情
- 品相描述：全新
- 商品描述
-
作者简介
朱塞佩·查博罗（Giuseppe Ciaburro），拥有Universita degli Studi di Napoli Federico Ⅱ的化学工程硕士学位，Seconda Universita degli Studi di Napoli的声学和噪声控制硕士学位。目前工作于Universita degli Studi della Campania“Luigi Vanvitelli”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，Giuseppe有约15年的专业计算机课程授课经验，也制作了很多在线教学视频。同时，在专著、科学期刊论文和专题会议报告上都有贡献。他目前正在研究机器学习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
1.7epoch7
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
1.9.3sigmoid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
2.9.2KohonenSOM57
2.10小结63
第3章使用多层神经网络进行深度学习64
3.1DNN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
4.4R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MLP108
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
6.2R中的添加包rnn162
6.3LSTM模型170
6.4卷积神经网络172
6.5常见的CNN架构——LeNet175
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
7.1TensorFlow与R的集成186
7.2Keras与R的集成189
7.3在R中使用MNISTHWR190
7.4使用数据集iris建立LSTM199
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
内容摘要
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。
精彩内容
Preface前 言神经网络是能有效解决复杂计算问题的最有吸引力的机器学习模型之一，用于解决人工智能（Artifi Intelligence，AI）和机器学习不同领域的各种问题。 本书解释了神经网络的优点，提供了高级主题相关的基础知识。本书从使用neuralnet包设计神经网络作为开始。然后介绍神经网络如何从数据中学习，以及背后的原理。本书涵盖了各种类型的神经网络，包括循环神经网络和卷积神经网络。通过本书，读者不仅可以学习如何训练神经网络，还可以探索这些神经网络的泛化。最后深入研究不同的神经网络模型，并与现实世界的用例相结合。 在本书的最后，读者将在实际案例的帮助下，学会在自己的应用程序中实现神经网络模型。 本书内容第1章介绍人工神经网络（Artifi Neural Network，ANN）和人工智能的基本概念与理论，展示ANN和AI的简单应用程序与数学概念。还对R中的ANN函数进行介绍。 第2章介绍如何在图形模型中进行精确推断，并展示作为专家系统的应用程序。推断算法是学习和使用这类模型的基础。读者至少需要了解它们的用处及工作原理。 第3章阐述深度学习和深度学习中神经网络的使用。该章使用R的添加包介绍神经网络实现过程的细节，涵盖许多为深度学习设置的隐藏层，并使用实用的数据集来帮助读者理解实现过程。 第4章介绍感知机以及使用它构建的应用程序，以及基于R的感知机实现。 第5章涵盖使用数据集训练神经网络的另一个案例，还通过使用函数plot()对输入层、隐藏层和输出层进行图形表示，帮助读者更好地理解神经网络。 第6章介绍循环神经网络和卷积神经网络及其在R中的实现。同时提出几个案例帮助读者了解基本概念。 第7章介绍不同领域的神经网络应用，以及神经网络如何在AI领域中使用。有助于读者了解神经网络算法的实际应用。读者可以采用不同的数据集、运行R代码来进一步增强自身的技能。 准备工作本书着重于R环境中的神经网络，使用R 3.4.1和RStudio 1.0.153来建立各种应用程序、开源和企业级专业软件。本书专注于如何以最佳方式利用各种R添加包来构建现实世界的应用程序。本着这种精神，我们尽量保持所有代码的友好性和可读性。这将使读者能够轻松地读懂代码，并在不同的场景中轻松使用。 本书读者对象本书适用于任何具有R和统计背景知识，同时希望使用神经网络从复杂数据中获得更好结果的人。如果你对人工智能和深度学习感兴趣，并希望提升自己，那么这本书就是你所需要的！ 下载示例代码读者可以从http://www.packtpub.com或者华章网站http://www.hzbook.com/下载本书的示例代码。
— 没有更多了 —
以下为对购买帮助不大的评价