4207次浏览
近年来，深度学习可谓是机器学习方向的明星概念，不同的深度学习模型分别在图像处理与自然语言处理等任务中取得了前所未有的好成绩。在许多场合都有这样的需求“如何对感兴趣的领域快速理解和使用深度学习技术?”答案涉及复杂的数学、编程语言(如C、C++和Java)。但随着R的兴起,现在使用深度学习技术比以往更容易。因为R易学易用，不要求很扎实的编程基础，它被广泛地应用于机器学习实践和教学中。即使对R语言不是很了解的用户也可以通过一些包来搭建深度学习网络。全书11章，分为原理篇（第1~8章）和应用篇（第9~11章）。原理篇按照深度学习的发展过程，主要讨论了浅层神经网络、深度神经网络、卷积神经网络、递归神经网络、自编码网络、受限玻耳兹曼机和深度置信网。应用篇讨论R环境部署深度学习环境的一些策略，包括：MXNetR、H2O和其他深度学习R包以及一些典型的应用。本书可用作本科高年级机器学习课程参考书或数据科学课程教材，也可供对人工智能、机器学习感兴趣的读者参考阅读。前言 第1章引言 1.1关于深度学习 1.1.1深度学习兴起的渊源 1.1.2深度学习总体框架 1.1.3深度学习本质 1.1.4深度学习应用
4278次浏览
本书主要分为三个部分，基础篇、建模应用篇和Rattle篇。基础篇（第1～5章）介绍了有关R语言的安装与使用、R语言中的数据结构、常用操作和绘图功能等基础功能。建模应用篇（第6～10章）主要介绍了目前在数据挖掘中的常用的建模方法在R语言中的实现函数，并对输出结果进行了解释，有助于读者快速掌握应用R语言进行分析挖掘建模的方法。Rattle篇（第11章）介绍了一个R语言的图形界面工具。图书配套提供了程序代码及数据，读者可通过上机实验，快速掌握书中所介绍的R语言的使用方法。版权信息 前言 第一部分 基础篇 第1章 R语言的安装与使用 1.1 R安装与升级 1.2 R使用入门 1.3 R数据分析包 1.4 配套资源使用说明 1.5 小结 1.6 上机实验 第2章 数据对象与数据读写 2.1 数据类型 2.2 数据结构 2.3 数据文件的读写 2.4 小结 2.5 上机实验 第3章 R语言常用数据管理 3.1 变量的重命名 3.2 缺失值分析 3.3 数据排序 3.4 随机抽样 3.5 数值运算函数 3.6 字符串处理 3.7 文本分词 3.8 apply函数族 3.9 数据整合 3.10 控制流
