神经网络：R语言实现 - (EPUB全文下载)

文件大小：0.26 mb。
文件格式：epub 格式。
书籍内容：

神经网络：R语言实现
第1章 神经网络和人工智能概念
1.1 简介
1.2 神经网络的灵感
1.3 神经网络的工作原理
1.4 分层方法
1.5 权重和偏差
1.6 训练神经网络
1.7 epoch
1.8 激活函数
1.9 不同的激活函数
1.10 使用哪些激活函数
1.11 感知机和多层架构
1.12 前向和反向传播
1.13 逐步说明神经网络和激活函数
1.14 前馈和反馈网络
1.15 梯度下降
1.16 神经网络分类法
1.17 使用R语言神经网络添加包neuralnet()的简单示例
1.18 使用添加包nnet()进行实现
1.19 深度学习
1.20 神经网络的优缺点
1.21 神经网络实现的最佳实践
1.22 有关GPU处理的简要说明
1.23 小结
第2章 神经网络中的学习过程
2.1 机器学习
2.2 训练和测试模型
2.3 数据循环
2.4 评估指标
2.5 学习神经网络
2.6 反向传播
2.7 神经网络学习算法的优化
2.8 神经网络中的有监督学习
2.9 神经网络中的无监督学习
2.10 小结
第3章 使用多层神经网络进行深度学习
3.1 DNN简介
3.2 用于DNN的R语言
3.3 通过neuralnet建立多层神经网络
3.4 使用H2O对DNN进行训练和建模
3.5 使用H2O建立深度自动编码器
3.6 小结
第4章 感知神经网络建模——基本模型
4.1 感知机及其应用
4.2 简单感知机——一个线性可分离分类器
4.3 线性分离
4.4 R中的感知机函数
4.5 多层感知机
4.6 使用RSNNS在R中实现MLP
4.7 小结
第5章 在R中训练和可视化神经网络
5.1 使用神经网络进行数据拟合
5.2 使用神经网络对乳腺癌进行分类
5.3 神经网络训练中的早期停止
5.4 避免模型中的过拟合
5.5 神经网络的泛化
5.6 神经网络模型中数据的缩放
5.7 集成神经网络来预测
5.8 小结
第6章 循环和卷积神经网络
6.1 循环神经网络
6.2 R中的添加包rnn
6.3 LSTM模型
6.4 卷积神经网络
6.5 常见的CNN架构——LeNet
6.6 使用RNN进行湿度预测
6.7 小结
第7章 神经网络案例——高级主题
7.1 TensorFlow与R的集成
7.2 Keras与R的集成
7.3 在R中使用MNIST HWR
7.4 使用数据集iris建立LSTM
7.5 使用自动编码器
7.6 使用H2O进行主成分分析
7.7 使用H2O建立自动编码器
7.8 使用添加包darch检测乳腺癌
7.9 小结
第1章　神经网络和人工智能概念
在几个世纪以来进行的科学和哲学研究中，已经确定了作为人类智力基础的特殊机制。从这些机制的运作中获得灵感，我们可以创建能够模仿这些机制中的一部分的机器。问题是，这些机制还没有得到成功的模拟和整合，所以我们拥有的人工智能（Artificial Intelligence，AI）系统在很大程度上是不完整的。
改进这种机器的一个决定性的步骤是使用所谓的人工神经网络（Artificial Neural Network，ANN），从调节自然神经网络的机制开始，计划模拟人类思维。现在，软件可以模拟赢得国际象棋比赛所需的机制，或者根据语法规则将文本翻译成不同语言。
本章介绍ANN和AI的基本理论概念。读者需要对以下内容有基本的了解：
·高中基础数学，各种微积分和函数（如sigmoid函数）知识。
·R编程和R库的使用。
本章将介绍神经网络的基础知识，并尝试使用R建立一个模型。本章是神经网络和所有后续章节的基础。
本章涵盖：
·ANN概念
·神经元、感知机和多层神经网络
·偏差、权重、激活函数和隐含层
·前向和反向传播方法
·图形处理单元的简介
在本章结束时，你将能够识别不同的神经网络算法和R提供的用来处理它们的工具。
1.1　简介
大脑是人体最重要的器官。它是我们执行所有功能的中央处理单元。大脑只有1.5kg，拥有约860亿个神经元。神经元被定义为传递神经刺激或电化学信号的细胞。大脑是一个复杂的神经元网络，它通过几个相互关联的神经元系统来处理信息。了解大脑的功能一直是一项艰巨的任务。然而，由于计算技术的进步，现在可以人为编程神经网络。
ANN的工作原理源于模拟同样正在试图解决问题的人脑的功能这一想法。相关常规方法的缺点以及ANN连续应用的问题已经在明确的技术环境中得到克服。
AI或机器智能旨在将认知能力赋予计算机，通过编程来学习和解决问题。其目的是模拟具有人类智能的计算机。AI不能完全模拟人的智慧；计算机只能通过程序来完成人脑某些方面的工作。
机器学习是AI的一个分支，它帮助计算机根据输入数据对自己进行编程。机器学习使AI能够基于数据解决问题。ANN是机器学习算法的一个例子。
深度学习（Deep learning，DL）是具有更多处理层的复杂神经网络集，开发过程高度抽象。DL通常用于复杂的任务，如图像识别、图像分类和手写识别。
大多数读者认为神经网络难以学习并将其当作黑匣子。本书打算打开这个黑匣子，帮助读者学习神经网络在R中的内部实现。通过知识管理，读者可以看到许多，神经网络发挥重要作用的场景，见下图。
1.2　神经网络的灵感
神经网络的灵感来源于人脑的工作方式。人类的大脑可以使用人类感知（特别是视觉）发送的数据来处理大量的信息。该处理由神经元完成，神经元对通过它们的电信号起作用，并施加触发器逻辑，例如打开和关闭门以使信号通过。下图显示了神经元的结构。
每个神经元的主要成分是：
·树突（dendrite）：每个神经元的入口点，信号以电脉冲的形式从神经网络中的其他神经元接受输入。
·细胞体（cell body）：它从树突输入端产生推断并决定采取什么行动。
·轴突终端（axon terminal）：以电脉冲的形式将输出传输到下一个神经元。
每个神经元只有在信号超过某个阈值时才处理它。神经元要么放电要么不放电；要么为0要么1。
AI一直出现科幻电 ............

以上为书籍内容预览，如需阅读全文内容请下载EPUB源文件，祝您阅读愉快。