全新正版R语言深度学习9787111670537机械工业出版社

目　录
原书前言
致谢
关于本书
部　深度学习基础
章　什么是深度学习　
1.1　人工智能、机器学习和深度学习　
1.1.1　人工智能　
1.1.2　机器学习　
1.1.3　从数据中学习表述　
1.1.4　深度学习的“深”　
1.1.5　通过三张图理解深度学习的原理　
1.1.6　深度学习目前能做什么　
1.1.7　不要相信短期炒作　
1.1.8　人工智能的潜力　
1.2　在深度学习之前：机器学习简史　
1.2.1　概率建模　
1.2.2　早期的神经网络　
1..　核方法　
1.2.4　决策树、随机森林、梯度提升机　
1.2.5　回到神经网络　
1.2.6　是什么让深度学习与众不同　
1.2.7　现代机器学习发展　
1.3　为什么会有深度学习？为什么是现在　
1.3.1　硬件　
1.3.2　数据　
1.3.3　算法　
1.3.4　新一轮潮　
1.3.5　深度学习走向大众　
1.3.6　它会持续下去　第 2章　在我们开始前：构建神经网络的数学模块　
2.1　有关神经网络的印象　
2.2　神经网络的数据表示　
2.2.1　标量（零维张量）　
2.2.2　向量（一维张量）　
2..　矩阵（二维张量）　
2.2.4　三维张量和高维张量　
2.2.5　关键属　
2.2.6　在 R中使用张量　
2.2.7　数据批次的概念　
2.2.8　数据张量的真实示例　
2.2.9　向量数据　
2.2.10 时间序列数据或序列数据　
2.2.11　图像数据　
2.2.12　视频数据　
.　神经网络的齿轮：张量运算　
..1　逐元素运算　
..2　包含不同维度张量的运算　
..　张量点积　
..4　张量重塑　
..5　张量运算的几何解释　
..　深度学习的几何解释
2.4　神经网络的引擎：基于梯度的优化　
2.4.1　什么是导数　
2.4.2　张量运算的导数：梯度　
2.4.3　随机梯度下降　
2.4.4　链式导数：后向传播算法　
2.5　回顾我们的个例子　
2.6　本章小结　
第 3章　神经网络入门　
3.1　神经网络的剖析　
3.1.1　层：深度学习的基石　
3.1.2　模型：层网络　
3.1.3　损失函数和优化器：配置学习过程的关键　
3.2　Keras简介　
3.2.1　Keras、TensorFlow、Theano和 CNTK　
3.2.2　安装 Keras　46 3..　使用 Keras进行开发：快速概述　
3.3　建立深度学习工作站　
3.3.1　让 Keras运行：两个选项　
3.3.2　在云中运行深度学习任务：优点和缺点　
3.3.3　什么是深度学习的GPU
3.4　电影评论分类：二元分类示例　
3.4.1　MB数据集　
3.4.2　准备数据　
3.4.3　构建网络　
3.4.4　方法验　
3.4.5　使用经过训练的网络生成对新数据的预测　
3.4.6　进一步的实验　
3.4.7　小结　
3.5　新闻专线分类：多类分类示例　
3.5.1　Reuters数据集　
3.5.2　准备数据　
3.5.3　构建网络　
3.5.4　方法验　
3.5.5　生成对新数据的预测　
3.5.6　处理标签和损失的不同方式　
3.5.7　具有足够大的中间层的重要　
3.5.8　进一步的实验　
3.5.9　小结　
3.6　预测房价：一个回归的例子　
3.6.1　波士顿住房价格数据集　
3.6.2　准备数据　
3.6.3　构建网络　
3.6.4　使用 K折验　
3.6.5　小结
3.7　本章小结　
第 4章　机器学习基础　
4.1　机器学习的四个分支　
4.1.1　监督学习　
4.1.2　无监督学习　
4.1.3　自监督学习　
4.1.4　强化学习　
4.2　评估机器学习模型　
4.2.1　训练、验和测试集　
4.2.2　要记住的事情　
4.3　数据预处理、特征工程和特征学习　
4.3.1　神经网络的数据预处理　
4.3.2　特征工程　
4.4　过拟合和欠拟合　
4.4.1　缩小网络规模　
4.4.2　添加权重正则化　
4.4.3　添加 dropout　
4.5　机器学习的通用工作流程　
4.5.1　定义问题并整合数据集　
4.5.2　选择衡量成功的标准　
4.5.3　确定评估方案　
4.5.4　准备数据　
4.5.5　开发一个比基线更好的模型　
4.5.6　扩展：开发一个过拟合的模型　
4.5.7　正则化模型并调整超参数　
4.6　本章小结　
第二部分　深度学习实战
第 5章　计算机视觉中的深度学习　
5.1　卷积网络概述　
5.1.1　卷积操作　
5.1.2　池化操作　
5.2　在小型数据集上从头开始训练一个卷积网络　
5.2.1　深度学习与小数据问题的相关　
5.2.2　下载数据　
5..　构建网络　
5.2.4　数据预处理　
5.2.5　使用数据扩充　
5.3　使用预训练的卷积网络　
5.3.1　特征提取　
5.3.2　微调　
5.3.3　小结　
5.4　可视化卷积网络学习过程　
5.4.1　可视化中间激活　
5.4.2　可视化卷积网络过滤器
5.4.3　可视化类激活的热图
5.5　本章小结　
第 6章　用于文本和序列数据的深度学习　
6.1　使用文本数据　
6.1.1　词和字符的独热编码　
6.1.2　使用单词嵌入　
6.1.3　将其全部放在一起：从原始文本到单词嵌入　
6.1.4　小结　
6.2　了解循环神经网络　
6.2.1　Keras中的循环层　
6.2.2　理解 LSTM 和 GRU 层　
6..　Keras中的一个具体的 LSTM例子　
6.2.4　小结　
6.3　循环神经网络的高级用途　
6.3.1　温度预测问题　
6.3.2　准备数据　
6.3.3　一个常识的非机器学习基线　
6.3.4　一种基本的机器学习方法　
6.3.5　个循环基线　
6.3.6　使用循环 dropout来对抗过拟合
6.3.7　堆叠循环层　
6.3.8　使用双向循环神经网络　
6.3.9　更进一步　
6.3.10　小结　
6.4　使用卷积神经网络进行序列处理　
6.4.1　了解序列数据的一维卷积　
6.4.2　序列数据的一维池化　
6.4.3　实现一维卷积网络　
6.4.4　结合卷积神经网络和循环神经网络处理长序列　
6.4.5　小结　
6.5　本章小结　
第 7章　高级深度学习的实践　
7.1　顺序模型：Keras函数API　
7.1.1　函数 API简介　
7.1.2　多输入模型　
7.1.3　多输出模型　
7.1.4　有向无环层图　
7.1.5　层权重共享　
7.1.6　模型层　
7.1.7　小结　
7.2　使用Keras回调和TensorBoard检验和监视深度学习模型　
7.2.1　在训练过程中使用回调对模型进行操作
7.2.2　TensorBoard介绍：TensorFlow可视化框架　
7..　小结　
7.3　充分利用你的模型
7.3.1　高级架构模式　
7.3.2　超参数优化　
7.3.3　模型集成　
7.3.4　小结　
7.4　本章小结　
第 8章　生成深度学习　
8.1　使用 LSTM生成文本　
8.1.1　生成循环网络简史　
8.1.2　如何生成序列数据　
8.1.3　采样策略的重要　
8.1.4　实现字符级LSTM文本生成　
8.1.5　小结　
8.2　DeepDream　
8.2.1　在 Keras中实现 DeepDream　
8.2.2　小结　
8.3　神经样式转换　
8.3.1　内容损失　
8.3.2　样式损失　
8.3.3　Keras的神经样式转换　
8.3.4　小结　
8.4　使用变分自编码器生成图像　
8.4.1　从图像的潜在空间中采样　
8.4.2　图像编辑的概念向量　
8.4.3　变分自编码器　
8.4.4　小结　
8.5　生成对抗网络简介　
8.5.1　生成对抗网络实现示意图　
8.5.2　一些技巧　
8.5.3　生成器　
8.5.4　判别器　
8.5.5　对抗网络　
8.5.6　如何训练 DCGAN　
8.5.7　小结　
8.6　本章小结　
第 9章　总结　
9.1　综述中的关键概念　
9.1.1　人工智能的各种方法　
9.1.2　在机器学习领域什么使深度学习变得特别　
9.1.3　如何思考深度学习　
9.1.4　关键的支持技术　
9.1.5　通用的机器学习工作流程　
9.1.6　关键网络架构　
9.1.7　可能的空间　
9.2　深度学习的局限　
9.2.1　机器学习模型拟人化的风险　
9.2.2　局部泛化与泛化　
9..　小结　
9.3　深度学习的未来　
9.3.1　模型即程序　
9.3.2　后向传播和可微分层　
9.3.3　自动化机器学习　
9.3.4　终身学习和模块化子例程重用
9.3.5　展望　
9.4　在快展的领域保持状态　
9.4.1　使用Kaggle练习实际问题　
9.4.2　了解arXiv的展　
9.4.3　探索Keras生态系统　
9.5　结束语　
附录
附录 A　在Ubun安装 Keras及其依赖项　
A.1　安装过程概述　
A.2　安装系统先决条件　
A.3　设置 GPU支持　
A.3.1　安装 CUDA　
A.3.2　安装 cuDNN　
A.3.3　CUDA环境　
A.4　安装Keras和TensorFlow　
附录 B　在 EC2 GPU实例上运行 RStudio服务器　
B.1　为什么要用 AWS进行深度学习　
B.2　为什么不用 AWS进行深度学习　
B.3　设置AWS图形处理器实例　
B.3.1　安装R和RStudio服务器
B.3.2　配置CUDA　
B.3.3　安装Keras的准备工作　
B.4　访问RStudio服务器　
B.5　安装Keras　

Fran?ois Chollet在Google加州山景城从事深度学习相关的工作。他是Keras深度学习库的创建者，也是TensorFlow机器学习框架的贡献者。他还从事深度学习研究工作，侧重于计算机视觉和形式推理的机器学习应用。他的已在该领域的重要会议上发表，包括计算机视觉与模式识别会议（CVPR）、神经信息处理系统（NIPS）会议及分论坛、国际学习表征会议（ICLR）等。


J.J.Allaire是RStudio的创始人和RStudio集成开发环境的创建者，也是TensorFlow和Keras的R接口的作者。