神经网络 R语言实现【2025|PDF|Epub|mobi|kindle电子书版本百度云盘下载】

神经网络 R语言实现PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

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

1.7 epoch7

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

1.9.3 sigmoid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

2.9.2 Kohonen SOM57

2.10 小结63

第3章 使用多层神经网络进行深度学习64

3.1 DNN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

4.4 R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

6.2 R中的添加包rnn162

6.3 LSTM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

7.1 TensorFlow与R的集成186

7.2 Keras与R的集成189

7.3 在R中使用MNIST HWR190

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