(特价书)深度学习：R语言实践指南
强大的深度学习模型的相关数学理论知识。基于R语言及其开源包的各种学习算法。如何进行实验设计和变量选择的实践。以数据科学家的方式，实践方法，有效地解决实际问题。评估有关算法的有效性，增强其预测能力。
基本信息
- 原书名：Introduction to Deep Learning Using R：A Step-by-Step Guide to Learning and Implementing Deep Learning Models Using R
内容简介
作译者
Taweh Beysolow Ⅱ机器学习科学家，现居美国，热衷于研究及应用机器学习方法解决实际问题。他本科毕业于圣约翰大学，获得经济学学士学位，后获得福特汉姆大学应用统计学硕士学位。他对一切与机器学习、数据科学、计量金融及经济学相关的内容都有着巨大的热情。
目录
译者序
关于作者
关于技术审稿人
前言
第1章深度学习简介
11深度学习模型
111单层感知器模型
112多层感知器模型
113卷积神经网络
114循环神经网络
115受限玻耳兹曼机
116深度信念网络
12其他
121实验设计
122特征选择
123机器学习及深度学习应用
124深度学习的历史
13小结
第2章数学知识回顾
21统计学基本概念
关于作者
关于技术审稿人
前言
第1章深度学习简介
11深度学习模型
111单层感知器模型
112多层感知器模型
113卷积神经网络
114循环神经网络
115受限玻耳兹曼机
116深度信念网络
12其他
121实验设计
122特征选择
123机器学习及深度学习应用
124深度学习的历史
13小结
第2章数学知识回顾
21统计学基本概念
译者序
2013年，《MIT Technology Review》杂志将深度学习列为年度十大突破性技术之首。作为当下热门的科技领域之一，深度学习在诸如无人驾驶、社交平台上的图像识别、智能翻译等领域相继取得了突破性的进展，无论是在工业界还是在学术界均引起了广泛关注，并源源不断地涌现出了许多丰富而有益的创造。但不可否认的是，由于对该领域知识的匮乏，即使是专家也可能在特定情况下因使用一些比较差劲的工具而得到糟糕的结果，更不用说深度学习的初学者。因此，本书的初衷是通过对机器学习、深度学习基本概念和基础理论的介绍及实际案例的讲解，帮助读者了解相关技术的用途，并能有效地将它们应用于各自的工作中。
本书共11章，内容主要涉及：深度学习的数学理论基础，包括重要的统计学和线性代数的相关基本概念和知识；深度学习的各种典型模型，例如传统的单层感知器模型、多层感知器模型，以及卷积神经网络、循环神经网络、受限玻耳兹曼机、深度信念网络等一些更为复杂的模型；构建深度学习模型的实验设计方法以及实验过程中的特征选择方法；应用R语言进行机器学习和深度学习实践的案例，通过这些案例，读者可以增强学习机器学习和深度学习的信心，提高对实际问题的解决能力。
感谢翻译过程中华章公司张梦玲编辑的鼓励与督促，感谢家人和朋友们一如既往的支持和鼓励。
尽管此前译者已经翻译完成了两本R语言与机器学习领域的专业书籍，但由于深度学习技术是一个快速发展的方向，新的模型和应用层出不穷，使得本书的翻译工作比预期要艰难许多，兼之本人学识有限以及中英文语言表达、术语翻译上的习惯，书中难免存在错误，还请广大读者指正与原谅。
本书共11章，内容主要涉及：深度学习的数学理论基础，包括重要的统计学和线性代数的相关基本概念和知识；深度学习的各种典型模型，例如传统的单层感知器模型、多层感知器模型，以及卷积神经网络、循环神经网络、受限玻耳兹曼机、深度信念网络等一些更为复杂的模型；构建深度学习模型的实验设计方法以及实验过程中的特征选择方法；应用R语言进行机器学习和深度学习实践的案例，通过这些案例，读者可以增强学习机器学习和深度学习的信心，提高对实际问题的解决能力。
感谢翻译过程中华章公司张梦玲编辑的鼓励与督促，感谢家人和朋友们一如既往的支持和鼓励。
尽管此前译者已经翻译完成了两本R语言与机器学习领域的专业书籍，但由于深度学习技术是一个快速发展的方向，新的模型和应用层出不穷，使得本书的翻译工作比预期要艰难许多，兼之本人学识有限以及中英文语言表达、术语翻译上的习惯，书中难免存在错误，还请广大读者指正与原谅。
前言
本书假设读者已经掌握了统计学或计算机编程（特别是R语言）的基本知识。如果读者不具备这些基础，则有可能在代码实现部分遇到困难，这时建议回头重新学习以上提到的基础知识。
致谢
感谢我的家人。感谢我的祖母，我从她那里获益良多。也感谢本书的编辑和其他在完成这本书的过程中给予我支持的专家。感谢我的老师，感谢他们给予我源源不断的激励，使我一直保持着对研究的好奇心。感谢我的朋友，不论旧识、新交，他们让我的生活更有价值，也让我拥有了许多难忘的人生回忆。感谢我已故的朋友Michael Giangrasso，我曾希望和他一起踏上深度学习的研究之旅。最后，感谢我已故的导师和朋友Lawrence Sobol，永远感激他的指引，在我生命的每一天，都将铭记他的教诲。
致谢
感谢我的家人。感谢我的祖母，我从她那里获益良多。也感谢本书的编辑和其他在完成这本书的过程中给予我支持的专家。感谢我的老师，感谢他们给予我源源不断的激励，使我一直保持着对研究的好奇心。感谢我的朋友，不论旧识、新交，他们让我的生活更有价值，也让我拥有了许多难忘的人生回忆。感谢我已故的朋友Michael Giangrasso，我曾希望和他一起踏上深度学习的研究之旅。最后，感谢我已故的导师和朋友Lawrence Sobol，永远感激他的指引，在我生命的每一天，都将铭记他的教诲。
媒体评论
本书主要讲解深度学习知识及各种深度学习模型之间的细微差别，以及这些模型的适用场景。
丰富的数据和越来越高的产品/服务需求推动了先进的计算机科学技术的发展，其中包括图像和语音识别。本书为通过机器学习和深度学习执行构建在数据科学基础上的任务，提供了理论和实践知识。这本循序渐进的指南将帮助读者理解这些知识，以便在各种场景下应用深度学习技术。所有的案例都是基于R语言的，允许学生和专业人员使用开源工具来实现。
通过阅读本书，你将学到：
强大的深度学习模型的相关数学理论知识。
基于R语言及其开源包的各种学习算法。
如何进行实验设计和变量选择的最佳实践。
以数据科学家的方式，实践方法，有效地解决实际问题。
评估有关算法的有效性，增强其预测能力。
丰富的数据和越来越高的产品/服务需求推动了先进的计算机科学技术的发展，其中包括图像和语音识别。本书为通过机器学习和深度学习执行构建在数据科学基础上的任务，提供了理论和实践知识。这本循序渐进的指南将帮助读者理解这些知识，以便在各种场景下应用深度学习技术。所有的案例都是基于R语言的，允许学生和专业人员使用开源工具来实现。
通过阅读本书，你将学到：
强大的深度学习模型的相关数学理论知识。
基于R语言及其开源包的各种学习算法。
如何进行实验设计和变量选择的最佳实践。
以数据科学家的方式，实践方法，有效地解决实际问题。
评估有关算法的有效性，增强其预测能力。
