編輯推薦:隨著大數(shù)據(jù)爆炸式發(fā)展，深度學習及相關技術引發(fā)了人們濃厚的興趣。谷歌、微軟和Facebook等大公司都在積極發(fā)展內(nèi)部的深度學習團隊，其他公司也迅速跟進。

本書是詳細的、實用的實踐指南，揭示了深度學習模型是如何工作的，并且通過強大的開源的R語言預測分析工具包展示了構建這些模型的捷徑。在本書中，作者將帶領讀者繞過陡峭的學習曲線，掌握深度學習的捷徑。通過閱讀本書，讀者將會學到如何構建成功的深度學習模型，并將其用于數(shù)據(jù)挖掘。一旦掌握了構建深度學習模型的流程，讀者就很容易將掌握的知識變成強有力的應用工具。

本書包括以下內(nèi)容：
★ 如何開發(fā)循環(huán)神經(jīng)網(wǎng)絡（Recurrent Neural Networks）；
★ 如何構建Elman神經(jīng)網(wǎng)絡（Elman Neural Networks）；
★ 如何部署Jordan神經(jīng)網(wǎng)絡 （Jordan Neural Networks）；
★ 如何創(chuàng)建級聯(lián)關聯(lián)神經(jīng)網(wǎng)絡（Cascade Correlation Neural Networks）；
★ 理解深度神經(jīng)網(wǎng)絡（Deep Neural Networks）；
★ 使用自編碼器（Autoencoders）；
★ 釋放堆疊自編碼器（Stacked Autoencoders）的威力；
★ 利用受限玻爾茲曼機（Restricted Boltzmann Machine）；
★ 掌握深度信念網(wǎng)絡（Deep Belief Networks）。

本書適用于任何對機器學習、預測分析技術、神經(jīng)網(wǎng)絡、決策科學感興趣的人。如果你想進入知名的數(shù)據(jù)科學家的行列，本書則可以幫助你初窺門徑。

內(nèi)容簡介:深度學習的概念源于人工神經(jīng)網(wǎng)絡的研究，它是機器學習中一種基于對數(shù)據(jù)進行表征學習的方法。
本書是一本詳細的、實用的深度學習實踐指南。它共有8 章，詳細講解了深度神經(jīng)網(wǎng)絡、Elman 神經(jīng)網(wǎng)絡、Jordan 神經(jīng)網(wǎng)絡、自編碼器、堆疊自編碼器、限制玻爾茲曼機的相關知識。本書并沒有詳細介紹那些深奧的數(shù)字公式，它旨在解釋深度學習模型是如何工作的，讓讀者學會如何構建成功的深度學習模型，并將其用于數(shù)據(jù)挖掘，從而讓讀者迅速地學以致用，可以用深度學習構建更智能的應用。
本書適合數(shù)據(jù)科學家、各領域的研究人員閱讀，也適合其他對深度學習感興趣的人士閱讀。

作者簡介:尼格爾·劉易斯（N.D. Lewis）是一位數(shù)據(jù)科學和預測領域的講師、作者和研究者。他在華爾街和倫敦從事投資管理工作多年，編著了統(tǒng)計、數(shù)據(jù)科學和量化模型方面的數(shù)本圖書，并且在大學里開設深度學習、機器學習和數(shù)據(jù)分析應用等方面的課程。

目錄:第 1章　簡介　1
1．1　什么是深度學習　2
1．2　深度學習解決什么問題　3
1．3　誰在使用深度學習　4
1．4　神經(jīng)網(wǎng)絡基礎　6
1．4．1　神經(jīng)元的角色（作用）　9
1．4．2　激活函數(shù)　11
1．4．3　神經(jīng)網(wǎng)絡學習算法　13
1．5　注釋　16
第 2章　深度神經(jīng)網(wǎng)絡　24
2．1　令人驚訝的對深度神經(jīng)網(wǎng)絡的簡單剖析　25
2．2　如何用60秒或更少的時間解釋清楚深度神經(jīng)網(wǎng)絡　26
2．3　3個絕妙的使用深度神經(jīng)網(wǎng)絡的途徑　27
2．3．1　在有霧天氣增強能見度　27
2．3．2　讓黑客和網(wǎng)絡犯罪分子吃些苦頭　30
2．3．3　令人難以置信的收縮的圖像壓縮　31
2．4　如何迅速逼近任意函數(shù)　33
2．5　選擇多少個神經(jīng)元　38
2．6　選擇最佳神經(jīng)網(wǎng)絡層數(shù)的常識　40
2．7　提升深度神經(jīng)網(wǎng)絡性能的3種方法　41
2．7．1　用“dropout”方法來提高成功率　41
2．7．2　如何從小批量（mini batching）中獲益　44
2．7．3　提前終止（Early stopping）的簡單計劃　45
2．8　用R以難以置信的簡單方法來構建深度神經(jīng)網(wǎng)絡　47
2．8．1　構建深度神經(jīng)網(wǎng)絡回歸模型的方法　47
2．8．2　聰明人使用深度神經(jīng)網(wǎng)絡回歸模型的技巧　51
2．8．3　構建深度神經(jīng)網(wǎng)絡分類器的藝術　54
2．8．4　如何構建多響應變量模型　61
2．9　注釋　69
第3章　Elman神經(jīng)網(wǎng)絡　75
3．1　什么是Elman神經(jīng)網(wǎng)絡　76
3．2　上下文層神經(jīng)元的作用是什么　77
3．3　如何理解信息的流動　77
3．4　如何用Elman神經(jīng)網(wǎng)絡提升效果　78
3．5　使用Elman神經(jīng)網(wǎng)絡的4種妙招　78
3．5．1　終極天氣預報模型　79
3．5．2　如何迅速發(fā)現(xiàn)嚴重的故障　79
3．5．3　提高水質(zhì)量的創(chuàng)新性想法　80
3．5．4　在股票證券市場如何實現(xiàn)一個“殺手級”應用　80
3．6　構建Elman神經(jīng)網(wǎng)絡的簡單方法　81
3．7　如何加載工具包　82
3．8　為什么數(shù)據(jù)可視化是一門科學　82
3．9　轉換數(shù)據(jù)的秘密　85
3．10　如何估計模型　88
3．11　創(chuàng)建理想的預測　89
3．12　注釋　90
第4章　Jordan神經(jīng)網(wǎng)絡　92
4．1　Jordan神經(jīng)網(wǎng)絡可以解決的3個問題　93
4．1．1　風速預測的終極指南　93
4．1．2　如何對蛋白質(zhì)的相互作用分類　93
4．1．3　深度學習在西班牙語方面的應用　94
4．2　R語言Jordan神經(jīng)網(wǎng)絡模型的基本要素　94
4．3　尋找合適的包　95
4．4　轉換數(shù)據(jù)的方法　96
4．5　如何選擇訓練樣本　98
4．6　用這個技巧來預估你的模型　98
4．7　注釋　100
第5章　自編碼器的秘密　102
5．1　絕地控心術　103
5．2　秘密揭曉　104
5．3　可以直接檢驗的實用定義　106
5．4　如何拯救巴西熱帶草原賽拉多（Cerrado）　106
5．5　需要了解的基本要素　107
5．6　稀疏自編碼器的強大益處　108
5．7　理解Kullback-Leibler距離　108
5．8　對稀疏自編碼器的3個永恒的教訓　109
5．9　好萊塢、生物統(tǒng)計學和稀疏自編碼器的混合　109
5．10　如何利用R語言快速使用自編碼器　111
5．11　在你自己的數(shù)據(jù)科學項目使用R語言　116
5．12　注釋　123
第6章　堆疊自編碼器簡介　125
6．1　深度學習大師的秘密武器　126
6．2　最佳睡眠時間　127
6．3　不超過5分鐘就可以構建一個堆疊自編碼器　130
6．4　什么是去噪自編碼器　131
6．5　隨機“調(diào)味劑”　132
6．6　去噪自編碼器的兩個核心任務　133
6．7　如何理解堆疊去噪自編碼器　133
6．8　一個驚人的實際應用　134
6．8．1　一個創(chuàng)新想法　136
6．8．2　Chen、Li、Yang是如何訓練他們的模型的　138
6．8．3　如何避免塞壬的歌聲　138
6．8．4　作者給讀者提出的一個挑戰(zhàn)　140
6．9　用R語言構建去噪自編碼器的捷徑　141
6．10　注釋　146

第7章　限制玻爾茲曼機　149
7．1　了解限制玻爾茲曼機的4個步驟　149
7．2　能量函數(shù)和概率分布的角色　150
7．3　用一種華麗的方式來思考　152
7．4　模型學習的目標　153
7．5　像魔法一樣的訓練技巧　153
7．5．1　技巧1：美麗的游戲　153
7．5．2　技巧2：開啟限制玻爾茲曼機“王國”的鑰匙　155
7．5．3　技巧3：如探囊取物般簡單地激活函數(shù)　155
7．5．4　技巧4：對比散度算法的替代方法　156
7．6　對深度學習的主要批評　157
7．7　改變世界的兩個想法　158
7．7．1　“用拳頭猛擊癌癥”　159
7．7．2　以華麗的方式助攻麻醉師　161
7．8　用R語言構建限制玻爾茲曼機的秘密　164
7．9　注釋　168
第8章　深度信念網(wǎng)絡　173
8．1　如何訓練一個深度信念網(wǎng)絡（DBM）　173
8．1．1　預訓練的關鍵要素　174
8．1．2　精調(diào)的關鍵　174
8．2　如何提供一個更好的呼叫等待經(jīng)驗　175
8．3　可以很容易模仿的世界一流的想法　176
8．4　用R語言構建深度信念網(wǎng)絡的步驟　179
8．5　注釋　182