本書重點介紹如何將R語言和深度學習模型或深度神經網絡結合起來，解決實際的應用需求。全書共6章，分別介紹了深度這習基礎知識、訓練預測模型、如何防止過擬合、識別異常數據、訓練深度預測模型以及調節和優化模型等內容。
本書適合了解機器學習概念和R語言并想要使用R提供的包來探索深度學習應用的讀者學習參考。
深度學習是機器學習的一個分支，其基礎是一組試圖使用模型架構建立高水平抽象模型的算法。本書結合R語言介紹深度學習軟件包H2O，幫助讀者理解深度學習的概念。本書從在R中設置可獲取的重要深度學習包開始，接著轉向建立神經網絡、預測和深度預測等模型，所有這些模型都由實際案例的輔助來實現。成功安裝了H2O軟件包后，你將學習預測算法。隨后本書會解釋諸如過擬合數據、異常數據以及深度預測模型等概念。zui后，本書會介紹設計調參和優化模型的概念。
本書適合那些胸懷大志的數據科學家，他們精通R語言數據科學概念，并希望可以使用R中的包進一步探索深度學習范式。讀者需要對R語言具備基礎的理解，并熟悉統計算法和機器學習技術。
通過閱讀本書，你將能夠:
● 建立R包H2O訓練深度學習模型；
● 理解深度學習模型背后的核心概念；
● 使用自動編碼器識別異常數據或離群點；
● 使用深度神經網絡自動化地預測或分類數據；
● 使用正則化建立泛化模型，避免數據的過擬合。
機器學習、深度學習、人工智能等相關領域的讀者，高校計算機專業的學生。機器學習、深度學習、人工智能等相關領域的讀者，高校計算機專業的學生。
目錄
第1章 深度學習入門1
1.1 什么是深度學習1
1.2 神經網絡的概念
綜述2
1.3 深度神經網絡6
1.4 用于深度學習的R包8
1.5 建立可重復的結果9
1.5.1 神經網絡12
1.5.2 deepnet包13
1.5.3 darch包14
1.5.4 H2O包14
1.6 連接R和H2O14
1.6.1 初始化H2O15
1.6.2 數據集連結到H2O
集群17
1.7 小結19
第2章 訓練預測模型20
2.1 R中的神經網絡20
2.1.1 建立神經網絡21
2.1.2 從神經網絡生成
預測36
2.2 數據過擬合的問題
結果的解釋38
2.3 用例建立并運用
神經網絡41
2.4 小結47
第3章 防止過擬合48
3.1 L1罰函數49
3.2 L2罰函數53
3.2.1 L2罰函數實戰54
3.2.2 權重衰減（神經網絡中的L2罰函數）55
3.3 集成和模型平均59
3.4 用例使用丟棄提升樣本
外模型性能62
3.5 小結67
第4章 識別異常數據68
4.1 無監督學習入門69
4.2 自動編碼器如何工作70
4.3 在R中訓練自動編碼器73
4.4 用例建立并運用自動
編碼器模型85
4.5 微調自動編碼器模型90
4.6 小結95
第5章 訓練深度預測模型96
5.1 深度前饋神經網絡入門97
5.2 常用的激活函數整流器、雙曲正切和maxout99
5.3 選取超參數101
5.4 從深度神經網絡訓練和
預測新數據105
5.5 用例為自動分類生成
深度神經網絡114
5.6 小結132
第6章 調節和優化模型133
6.1 處理缺失數據134
6.2 低準確度模型的解決
方案137
6.2.1 網格搜索138
6.2.2 隨機搜索139
6.3 小結151
參考文獻152
新書資訊