本书介绍使用R语言和深度学习库TensorFlow、H2O和MXNet构建不同的深度学习模型的方法和原理。本书共10章，其中第1、2章介绍如何在R中配置不同的深度学习库以及如何构建神经网络；第3～7章介绍卷积神经网络、自动编码器、生成模型、循环神经网络和强化学习的构建方法和原理；第8、9章介绍深度学习在文本挖掘以及信号处理中的应用；第10章介绍迁移学习以及如何利用GPU部署深度学习模型。本书的结构简单明了，每部分由准备环节、动手操作和工作原理组成，可强化读者的学习；内容上覆盖了深度学习领域常见的神经网络类型，并介绍了使用场景。同时，书中包含大量实用的示例代码，方便读者应用到实际项目中。本书适合有一定R语言编程基础，并且希望使用R语言快速开展深度学习项目的软件工程师或高校师生、科研人员阅读。

　　关于作者Prakash博士是一位数据科学家和作家，目前在ZS咨询公司担任数据科学经理。他获得了美国威斯康星大学麦迪逊分校的工业和系统工程博士学位，其第2个工程博士学位是在英国华威大学获得的；他之前还获得了美国威斯康星大学麦迪逊分校的硕士学位、印度国家铸造和锻造技术研究所（NIFFT）的学士学位。Prakash在IEEE-Trans、EJOR和IJPR等多个刊物上发表了多篇文章，涉及运筹学和管理、软计算工具和高级算法等多个研究领域。Achyutuni Sri Krishna Rao是数据科学家、土木工程师和作家，目前在ZS咨询公司担任数据科学顾问。他获得了新加坡国立大学企业商业分析和机器学习的硕士学位、印度Warangal国家技术研究所的学士学位。Sri Krishna在土木工程研究领域发表了多篇文章，并参与了Packt出版的名为Algorithms and Data Structures Using R一书的写作。关于译者 王洋洋，计算机硕士，狂热的数据爱好者，现为云网络安全领域大数据工程师，熟悉多种编程语言、大数据技术、机器学习算法和设计模式等，对自然语言处理也颇感兴趣，曾翻译《R图形化数据分析》一书。

版权声明
内容提要
前言
关于作者
关于译者
关于英文版审稿人
关于中文版审稿人
资源与支持
第1章 入门
1.1 介绍
1.2 安装R及其IDE
1.3 安装Jupyter Notebook应用
1.4 从R机器学习基础开始
1.5 在R中安装深度学习的工具/包
1.6 在R中安装MXNet
1.7 在R中安装TensorFlow
1.8 在R中安装H2O
1.9 使用Docker一次安装3个包
第2章 R深度学习
2.1 始于逻辑回归
2.2 介绍数据集
2.3 使用H2O执行逻辑回归
2.4 使用TensorFlow执行逻辑回归
2.5 可视化TensorFlow图
2.6 从多层感知器开始
2.7 使用H2O建立神经网络
2.8 使用H2O中的网格搜索调整超参数
2.9 使用MXNet建立神经网络
2.10 使用TensorFlow建立神经网络
第3章 卷积神经网络
3.1 介绍
3.2 下载并配置图像数据集
3.3 学习CNN分类器的架构
3.4 使用函数初始化权重和偏差
3.5 使用函数创建一个新的卷积层
3.6 使用函数创建一个扁平化的卷积层
3.7 使用函数扁平化密集连接层
3.8 定义占位符变量
3.9 创建第一个卷积层
3.10 创建第二个卷积层
3.11 扁平化第二个卷积层
3.12 创建第一个完全连接的层
3.13 将dropout应用于第一个完全连接的层
3.14 创建第二个带有dropout的完全连接层
3.15 应用Softmax激活以获得预测的类
3.16 定义用于优化的成本函数
3.17 执行梯度下降成本优化
3.18 在TensorFlow会话中执行图
3.19 评估测试数据的性能
第4章 使用自动编码器的数据表示
4.1 介绍
4.2 构建自动编码器
4.3 数据归一化
4.4 构建正则自动编码器
4.5 微调自动编码器的参数
4.6 构建栈式自动编码器
4.7 构建降噪自动编码器
4.8 构建并比较随机编码器和解码器
4.9 从自动编码器学习流形
4.10 评估稀疏分解
第5章 深度学习中的生成模型
5.1 比较主成分分析和受限玻尔兹曼机
5.2 为伯努利分布输入配置受限玻尔兹曼机
5.3 训练受限玻尔兹曼机
5.4 RBM的反向或重构阶段
5.5 了解重构的对比散度
5.6 初始化并启动一个新的TensorFlow会话
5.7 评估RBM的输出
5.8 为协同过滤构建一个受限玻尔兹曼机
5.9 执行一个完整的RBM训练
5.10 构建深度信念网络
5.11 实现前馈反向传播神经网络
5.12 建立一个深度受限玻尔兹曼机
第6章 循环神经网络
6.1 建立一个基本的循环神经网络
6.2 建立一个双向RNN模型
6.3 建立一个深度RNN模型
6.4 建立一个基于长短期记忆的序列模型
第7章 强化学习
7.1 介绍
7.2 建立马尔可夫决策过程
7.3 执行基于模型的学习
7.4 进行无模型学习
第8章 深度学习在文本挖掘中的应用
8.1 对文本数据进行预处理并提取情感
8.2 使用tf-idf分析文档
8.3 使用LSTM网络执行情感预测
8.4 使用text2vec示例的应用程序
第9章 深度学习在信号处理中的应用
9.1 介绍并预处理音乐MIDI文件
9.2 建立RBM模型
9.3 生成新的音符
第10章 迁移学习
10.1 介绍
10.2 举例说明预训练模型的使用
10.3 构建迁移学习模型
10.4 构建图像分类模型
10.5 在GPU上训练深度学习模型
10.6 比较使用CPU和GPU的性能

　　前言
　　深度学习是机器学习中经常讨论的领域，因为它能够模拟复杂函数的能力，并能够通过各种数据源和数据结构进行学习，如横截面数据、序列数据、图像、文本、音频和视频。R是数据科学界流行的语言。随着深度学习的发展，R与深度学习的关系正在逐步深化。本书旨在提供各种深度学习模型的速成课程（R语言实现），通过结构化、非结构化、图像和音频等具体案例的研究来演示深度学习的不同应用。另外，本书还将探讨迁移学习，以及如何利用GPU来提高深度学习模型的计算效率。
　　本书涵盖的内容
　　第1章，入门。本章介绍可用于构建深度学习模型的包，比如TensorFlow、MXNet和H2O，以及如何安装配置它们以供本书后续使用。
　　第2章，R深度学习。本章介绍神经网络和深度学习的基础知识，涵盖使用R中的多个工具箱构建神经网络模型的多种方法。
　　第3章，卷积神经网络。本章通过在图像处理和图像分类中的应用，介绍卷积神经网络的方法。
　　第4章，使用自动编码器的数据表示。本章使用多种方法构建自动编码器，涵盖数据压缩和降噪的应用。
　　第5章，深度学习中的生成模型。本章将自动编码的概念扩展为生成模型，并且涵盖诸如玻尔兹曼机（Boltzman Machine）、受限玻尔兹曼机（Restricted Boltzman Machine，RBM）和深度信念网络的方法。
　　第6章，循环神经网络。本章使用多个循环神经网络序列数据构建机器学习模型。
　　第7章，强化学习。本章为使用马尔可夫决策过程（Markov Decision Process，MDP）构建强化学习提供了基础，还涵盖基于模型的学习和无模型学习。
　　第8章，深度学习在文本挖掘中的应用。本章提供一个深度学习在文本挖掘领域的端到端实现。
　　第9章，深度学习在信号处理中的应用。本章涵盖深度学习在信号处理领域中一个详细的案例研究。
　　第10章，迁移学习。本章涵盖使用预训练模型的方法，比如VGG16和Inception，并且解释如何利用GPU部署深度学习模型。
　　阅读本书需要的知识
　　要想在数据科学领域有所建树，需要持续拥有好奇心、毅力和激情。深度学习的应用范围相当广泛，为了高效地利用本书，需要读者具备以下背景知识：
　　机器学习和数据分析基础；
　　比较熟练地掌握R语言编程；
　　Python和Docker基础。
　　学完本书，最终读者将能够理解和领会深度学习的算法，并知道如何解决多个领域中的复杂问题。
　　本书适合谁
　　这本书面向数据科学的专业人士或分析师，他们已经执行过机器学习的任务，想进一步探索深度学习，并且需要有一个快速的参考来解决深度学习实践所遇到的痛点问题。希望在深度学习方面获得竞争优势的读者会发现这本书很有用。
　　本书的格式约定
　　专业术语或正文中出现的重要的词以粗体显示。其他格式，比如警告文字和提示文字的符号如下所示。
　　显示警告或重要注释。
　　显示提示和技巧。

　　深度学习是机器学习的分支，它是受人脑结构和功能启发的。近年来，深度学习获得了很多关注，主要是因为更高的计算能力、更大的数据集、更好的具有（人工）智能学习能力的算法，以及对数据驱动的洞察力更具好奇心。在深入了解深度学习细节之前，我们先了解机器学习的一些基本概念（这些概念构成了大多数分析解决方案的基础）。
　　机器学习是开发算法的一个领域，这些算法能够从数据中挖掘出自然模式，从而使用预测性的洞察力做出更好的决策。从医学诊断（使用计算生物学）到实时股票交易（使用计算金融学），从天气预报到自然语言处理，从预测性维护（在自动化和制造业中）到规定性的建议（电子商务和电子零售）等，这些洞察力在现实世界的应用领域层面都是相关的。