深度学习实践指南基于R语言
编辑推荐
随着大数据爆炸式发展，深度学习及相关技术引发了人们浓厚的兴趣。谷歌、微软和Facebook等大公司都在积极发展内部的深度学习团队，其他公司也迅速跟进。
本书是详细的、实用的实践指南，揭示了深度学习模型是如何工作的，并且通过强大的开源的R语言预测分析工具包展示了构建这些模型的捷径。在本书中，作者将带领读者绕过陡峭的学习曲线，掌握深度学习的捷径。通过阅读本书，读者将会学到如何构建成功的深度学习模型，并将其用于数据挖掘。一旦掌握了构建深度学习模型的流程，读者就很容易将掌握的知识变成强有力的应用工具。
本书包括以下内容：
★ 如何开发循环神经网络（Recurrent Neural Networks）；
★ 如何构建Elman神经网络（Elman Neural Networks）；
★ 如何部署Jordan神经网络 （Jordan Neural Networks）；
★ 如何创建级联关联神经网络（Cascade Correlation Neural Networks）；
★ 理解深度神经网络（Deep Neural Networks）；
★ 使用自编码器（Autoencoders）；
★ 释放堆叠自编码器（Stacked Autoencoders）的威力；
★ 利用受限玻尔兹曼机（Restricted Boltzmann Machine）；
★ 掌握深度信念网络（Deep Belief Networks）。
本书适用于任何对机器学习、预测分析技术、神经网络、决策科学感兴趣的人。如果你想进入知名的数据科学家的行列，本书则可以帮助你初窥门径。
内容简介
深度学习的概念源于人工神经网络的研究，它是机器学习中一种基于对数据进行表征学习的方法。
本书是一本详细的、实用的深度学习实践指南。它共有8 章，详细讲解了深度神经网络、Elman 神经网络、Jordan 神经网络、自编码器、堆叠自编码器、限制玻尔兹曼机的相关知识。本书并没有详细介绍那些深奥的数字公式，它旨在解释深度学习模型是如何工作的，让读者学会如何构建成功的深度学习模型，并将其用于数据挖掘，从而让读者迅速地学以致用，可以用深度学习构建更智能的应用。
本书适合数据科学家、各领域的研究人员阅读，也适合其他对深度学习感兴趣的人士阅读。
作者简介
尼格尔·刘易斯（N.D. Lewis）是一位数据科学和预测领域的讲师、作者和研究者。他在华尔街和伦敦从事投资管理工作多年，编著了统计、数据科学和量化模型方面的数本图书，并且在大学里开设深度学习、机器学习和数据分析应用等方面的课程。