深度学习(R语言版)9787302606987

斯沃纳·古普塔拥有计算机科学学士学位，在数据科学领域有6年的经验。她目前以数据科学家的身份与劳斯莱斯合作。她的工作围绕着利用数据科学和机器学习为企业创造价值。她在车辆远程信息处理和太阳能制造工业中广泛从事基于物联网的项目，在她目前与劳斯莱斯的合作中，她致力于各种深入学习技术和解决航空领域车队问题的解决方案。她还从繁忙的日程中抽出时间，成为社会组织的定期公益贡献者，借助数据科学和机器学习，帮助他们解决具体的商业问题。

目录

第1章理解人工神经网络和深度神经网络

1.1配置环境

1.1.1准备工作

1.1.2操作步骤

1.1.3原理解析

1.1.4内容拓展

1.1.5参考阅读

1.2神经网络的Keras实现

1.3序贯模型API

1.3.1准备工作

1.3.2操作步骤

1.3.3原理解析

1.3.4内容拓展

1.3.5参考阅读

1.4函数式API

1.4.1操作步骤

1.4.2原理解析

1.4.3内容拓展

1.5TensorFlow Estimator API

1.5.1准备工作

1.5.2操作步骤

1.5.3原理解析

1.5.4内容拓展

1.5.5参考阅读

1.6TensorFlow Core API

1.6.1准备工作

1.6.2操作步骤

1.6.3原理解析

1.7实现单层神经网络

1.7.1准备工作

1.7.2操作步骤

1.7.3原理解析

1.7.4内容拓展

1.7.5参考阅读

1.8实现第一个深度神经网络

1.8.1准备工作

1.8.2操作步骤

1.8.3原理解析

1.8.4内容拓展

1.8.5参考阅读

第2章卷积神经网络实战

2.1卷积运算导论

2.1.1准备工作

2.1.2操作步骤

2.1.3原理解析

2.1.4内容拓展

2.1.5参考阅读

2.2理解卷积步幅和填充

2.2.1操作步骤

2.2.2原理解析

2.3掌握池化层

2.3.1准备工作

2.3.2操作步骤

2.3.3原理解析

2.3.4内容拓展

2.3.5参考阅读

2.4实现迁移学习

2.4.1准备工作

2.4.2操作步骤

2.4.3原理解析

2.4.4内容拓展

2.4.5参考阅读

第3章循环神经网络实战

3.1使用RNN实现情感分类

3.1.1准备工作

3.1.2操作步骤

3.1.3原理解析

3.1.4内容拓展

3.1.5参考阅读

3.2使用LSTM实现文本生成

3.2.1准备工作

3.2.2操作步骤

3.2.3原理解析

3.2.4内容拓展

3.2.5参考阅读

3.3使用GRU实现时间序列预测

3.3.1准备工作

3.3.2操作步骤

3.3.3原理解析

3.3.4内容拓展

3.3.5参考阅读

3.4实现双向循环神经网络

3.4.1操作步骤

3.4.2原理解析

3.4.3内容拓展

第4章使用Keras实现自动编码器

4.1实现基本自动编码器

4.1.1准备工作

4.1.2操作步骤

4.1.3原理解析

4.1.4内容拓展

4.2降维自动编码器

4.2.1准备工作

4.2.2操作步骤

4.2.3原理解析

4.2.4内容拓展

4.3去噪自动编码器

4.3.1准备工作

4.3.2操作步骤

4.3.3原理解析

4.3.4内容拓展

4.4自动编码器的黑白图像着色实战

4.4.1准备工作

4.4.2操作步骤

4.4.3原理解析

4.4.4参考阅读

第5章深度生成模型

5.1使用GAN生成图像

5.1.1准备工作

5.1.2操作步骤

5.1.3原理解析

5.1.4内容拓展

5.1.5参考阅读

5.2实现深度卷积生成对抗网络

5.2.1准备工作

5.2.2操作步骤

5.2.3原理解析

5.2.4内容拓展

5.2.5参考阅读

5.3实现变分自动编码器

5.3.1准备工作

5.3.2操作步骤

5.3.3原理解析

5.3.4参考阅读

第6章使用大规模深度学习处理大数据

6.1基于亚马逊云服务的深度学习

6.1.1准备工作

6.1.2操作步骤

6.1.3原理解析

6.2基于微软Azure平台的深度学习

6.2.1准备工作

6.2.2操作步骤

6.2.3原理解析

6.2.4内容拓展

6.2.5参考阅读

6.3基于谷歌云平台的深度学习

6.3.1准备工作

6.3.2操作步骤

6.3.3原理解析

6.3.4内容拓展

6.4基于MXNet的深度学习

6.4.1准备工作

6.4.2操作步骤

6.4.3原理解析

6.4.4内容拓展

6.5使用MXNet实现深度学习网络

6.5.1准备工作

6.5.2操作步骤

6.5.3原理解析

6.6使用MXNet实现预测建模

6.6.1准备工作

6.6.2操作步骤

6.6.3原理解析

第7章自然语言处理

7.1神经机器翻译

7.1.1准备工作

7.1.2操作步骤

7.1.3原理解析

7.1.4内容拓展

7.1.5参考阅读

7.2使用深度学习生成文本摘要

7.2.1准备工作

7.2.2操作步骤

7.2.3原理解析

7.2.4内容拓展

7.2.5参考阅读

7.3语音识别

7.3.1准备工作

7.3.2操作步骤

7.3.3原理解析

7.3.4内容拓展

第8章深度学习之计算机视觉实战

8.1目标定位

8.1.1准备工作

8.1.2操作步骤

8.1.3原理解析

8.1.4内容拓展

8.2人脸识别

8.2.1准备工作

8.2.2操作步骤

8.2.3原理解析

8.2.4内容拓展

8.2.5参考阅读

第9章实现强化学习

9.1使用MDPtoolbox实现有模型强化学习

9.1.1准备工作

9.1.2操作步骤

9.1.3原理解析

9.1.4内容拓展

9.2无模型强化学习

9.2.1准备工作

9.2.2操作步骤

9.2.3原理解析

9.2.4参考阅读

9.3使用强化学习求解悬崖寻路问题

9.3.1准备工作

9.3.2操作步骤

9.3.3原理解析

9.3.4内容拓展

（1）在深度学习算法和应用的理论和实践方面做到了平衡，在讲述基础理论的同时，通过45个基于R语言的编程实例让读者循序渐进地掌握深度学习技术。

（2）各个部分内容安排合理，按照“准备工作→操作步骤→原理解析→内容拓展→参考阅读”的流程组织内容，清楚地讲解实战案例的实现过程。

（3）提供程序代码和彩色图片。

针对每个想要了解深度学习概念的数据科学爱好者，本书通过通俗易懂地解释R代码，让读者可以很容易起步。在深度学习算法和应用的理论和实践方面做到了平衡，在讲述基础理论的同时，通过45个基于R语言的编程实例让读者循序渐进地掌握深度学习技术。

读者将通过实战案例实现卷积神经网络（CNN）、循环神经网络（RNN）、长短时记忆网络（LSTM）、序列到序列模型、生成对抗网络（GAN）和强化学习，还将学习使用GPU进行大型数据集的高性能计算，以及R语言中的并行计算编程。

各个部分内容安排合理，按照“准备工作→操作步骤→原理解析→内容拓展→参考阅读”的流程组织内容，清楚地讲解实战案例的实现过程。