基于R语言的高级深度学习

　　前言
　　第一部分 深度学习基础
　　第1章 深度学习架构与技术
　　1．1 R语言实现的深度学习
　　1．1．1 深度学习发展趋势
　　1．1．2 R软件包的版本
　　1．2 深度学习网络模型的开发过程
　　1．2．1 为深度学习网络模型准备数据
　　1．2．2 开发模型架构
　　1．2．3 编译模型
　　1．2．4 拟合模型
　　1．2．5 评估模型性能
　　1．3 R语言和RStudio实现的深度学习技术
　　1．3．1 多类分类问题
　　1．3．2 回归问题
　　1．3．3 图像分类
　　1．3．4 卷积神经网络
　　1．3．5 自编码器
　　1．3．6 迁移学习
　　1．3．7 生成对抗网络
　　1．3．8 文本分类的深度学习网络
　　1．3．9 循环神经网络
　　1．3．10 长短期记忆网络
　　1．3．11 卷积循环网络
　　1．3．12 提示、技巧和最佳实践
　　1．4 本章小结
　　第二部分 预测与分类问题的深度学习
　　第2章 多类分类问题的深度神经网络
　　2．1 胎儿心电图数据集
　　2．1．1 医学数据集
　　2．1．2 数据集分类
　　2．2 建模数据准备
　　2．2．1 数值型变量的归一化
　　2．2．2 数据分割
　　2．2．3 独热编码
　　2．3 深度神经网络模型的创建与拟合
　　2．3．1 模型架构开发
　　2．3．2 模型编译
　　2．3．3 模型拟合
　　2．4 模型评价和预测
　　2．4．1 损失函数与准确率计算
　　2．4．2 混淆矩阵
　　2．5 性能优化提示与最佳实践
　　2．5．1 增加隐藏层的实验
　　2．5．2 隐藏层增加单元数量的实验
　　2．5．3 多单元多层网络的实验
　　2．5．4 分类不平衡问题的实验
　　2．5．5 模型的保存与重新上载
　　2．6 本章小结
　　……
　　第三部分 面向计算机视觉的深度学习
　　第四部分 自然语言处理问题的深度学习
　　第五部分 未来展望

　　深度学习是机器学习的一个分支，包括一套建立数据高级抽象模型的算法。
　　《基于R语言的高级深度学习》将帮助读者了解流行的深度学习架构及其用R语言实现的变体，并提供实际示例。
　　《基于R语言的高级深度学习》内容涵盖用于预测和分类的重要的深度学习技术和概念，包括神经网络、深度学习架构以及用R实现深度学习的基础知识。
　　《基于R语言的高级深度学习》也带读者了解如何利用Keras-R、TensorFlow-R等重要的深度学习库来实现深度学习算法应用。
　　读者将了解到人工神经网络、循环神经网络、卷积神经网络、长短期记忆网络以及更高级应用的新进展。读者进而将发现如何应用生成对抗网络生**图像，应用自编码神经网络进行图像降维、图像去噪和图像修正，应用迁移学习准备、定义、训练和建立深度神经网络模型。
　　通过《基于R语言的高级深度学习》，读者能够运用知识和新习得的技能，将R语言实现的深度学习算法用于实际应用示例。