本书涵盖了各种类型的神经网络，包括循环神经网络、卷积神经网络、多层神经网络、感知神经网络等。你将不仅学习如何训练神经网络，还可以探索这些神经网络的泛化。之后，将深入研究不同的神经网络模型，并与现实世界的案例相结合。

无

神经网络是能有效解决复杂计算问题的最有吸引力的机器学习模型之一，用于解决人工智能（Artificial Intelligence，AI）和机器学习不同领域的各种问题。
本书解释了神经网络的优点，提供了高级主题相关的基础知识。本书从使用neuralnet包设计神经网络作为开始。然后介绍神经网络如何从数据中学习，以及背后的原理。本书涵盖了各种类型的神经网络，包括循环神经网络和卷积神经网络。通过本书，读者不仅可以学习如何训练神经网络，还可以探索这些神经网络的泛化。最后深入研究不同的神经网络模型，并与现实世界的用例相结合。
在本书的最后，读者将在实际案例的帮助下，学会在自己的应用程序中实现神经网络模型。
本书内容
第1章介绍人工神经网络（Artificial Neural Network，ANN）和人工智能的基本概念与理论，展示ANN和AI的简单应用程序与数学概念。还对R中的ANN函数进行介绍。
第2章介绍如何在图形模型中进行精确推断，并展示作为专家系统的应用程序。推断算法是学习和使用这类模型的基础。读者至少需要了解它们的用处及工作原理。
第3章阐述深度学习和深度学习中神经网络的使用。该章使用R的添加包介绍神经网络实现过程的细节，涵盖许多为深度学习设置的隐藏层，并使用实用的数据集来帮助读者理解实现过程。
第4章介绍感知机以及使用它构建的应用程序，以及基于R的感知机实现。
第5章涵盖使用数据集训练神经网络的另一个案例，还通过使用函数plot()对输入层、隐藏层和输出层进行图形表示，帮助读者更好地理解神经网络。
第6章介绍循环神经网络和卷积神经网络及其在R中的实现。同时提出几个案例帮助读者了解基本概念。
第7章介绍不同领域的神经网络应用，以及神经网络如何在AI领域中使用。有助于读者了解神经网络算法的实际应用。读者可以采用不同的数据集、运行R代码来进一步增强自身的技能。
准备工作
本书着重于R环境中的神经网络，使用R 3.4.1和RStudio 1.0.153来建立各种应用程序、开源和企业级专业软件。本书专注于如何以最佳方式利用各种R添加包来构建现实世界的应用程序。本着这种精神，我们尽量保持所有代码的友好性和可读性。这将使读者能够轻松地读懂代码，并在不同的场景中轻松使用。
本书读者对象
本书适用于任何具有R和统计背景知识，同时希望使用神经网络从复杂数据中获得更好结果的人。如果你对人工智能和深度学习感兴趣，并希望提升自己，那么这本书就是你所需要的！
下载示例代码
读者可以从http://www.packtpub.com或者华章网站http://www.hzbook.com/下载本书的示例代码。

计算机/人工智能/机器学习

本书结合具体的实例，通过实际操作帮助读者掌握神经网络的基本知识和应用技能。同时，引导读者自己动手，获得建模神经网络的实际体验，学习R的神经网络建模方法。本书从神经网络的基本概念入手，案例丰富，浅显易懂，无论是神经网络的初学者或者资深用户都会从本书受益。同时，读者也可以学习R语言的相关知识和操作。
本书内容
为神经网络和深度学习设置R包。
了解人工神经网络的核心概念。
了解神经元、感知机、偏差、权重和激活函数。
在R中实现神经网络的有监督和无监督机器学习。
利用神经网络自动预测和分类数据。
评估并调整神经网络模型。

神经网络的研究起源于19世纪后期和20世纪早期，它横跨工程学、物理学、神经生理学、心理学、计算机和数学等多个学科。早期的神经网络学者Hermann Von Helmholtz等强调学习理论、视觉等，并没有给出神经运算的特殊数学模型。
Warren McCulloch 在20世纪40年代给出了现代视角的神经网络，并有了神经网络的第一个实际应用。在50年代，开始有了感知机学习规则。但是人们之后发现，它仅能用于有限的应用问题。60年代末，一些学者开始认为神经网络的进一步研究是没有前途的。80年代初，人们又重新对神经网络产生了兴趣。进入21世纪后，由于计算机处理能力的增强，特别是GPU的计算能力增强，神经网络在图像处理和计算机视觉等领域取得了极大的成功。谷歌（Google）公司的AlphaGo应用深度神经网络的学习技术，战胜了当前世界上最优秀的围棋选手。近两年，学术界和工业界掀起了研究深度学习、深度神经网络的极大热潮。
神经网络跨越多个领域，不同领域的作者有时候采用不同的术语。因此，神经网络的基本概念虽然不是太复杂，但是相关的书籍阅读起来比较吃力，读者较难把握其中的概念。如果能够结合具体的实例并能够进行实际的操作，将会大大帮助读者掌握神经网络的基本知识和应用技能。本书就满足了这些条件。
本书从神经网络的基本概念出发，详细介绍了神经网络的学习过程、前向神经网络、后向反馈神经网络、循环神经网络、卷积神经网络、多层神经网络、感知神经网络等。在介绍神经网络基本知识的同时，应用当前最为广泛使用的数据分析软件R，演示了相关的神经网络概念和模型的应用。同时，也介绍了当前最流行的神经网络模型的实现软件包，例如TensorFlow、Keras等，并介绍如何把它们集成到R的应用中。
读者通过自己动手，可以更好地获得神经网络的实际运用体验，学习R的神经网络建模方法。本书从神经网络的基本概念入手，案例丰富，浅显易懂，无论是神经网络的初学者或者资深用户都能从本书受益。同时，读者也可以学习R语言的相关知识和操作。本书既可以用作神经网络或者人工智能等课程的教材，也可以用作实践工作的应用手册。

译者序
关于作者
关于审稿人
前言
第1章　神经网络和人工智能概念 1
1.1　简介 2
1.2　神经网络的灵感 3
1.3　神经网络的工作原理 4
1.4　分层方法 5
1.5　权重和偏差 6
1.6　训练神经网络 7
1.6.1　有监督学习 7
1.6.2　无监督学习 7
1.7　epoch 7
1.8　激活函数 8
1.9　不同的激活函数 8
1.9.1　线性函数 8
1.9.2　单位阶跃激活函数 9
1.9.3　sigmoid函数 10
1.9.4　双曲正切函数 11
1.9.5　线性修正单元函数 11
1.10　使用哪些激活函数 12
1.11 感知机和多层架构 13
1.12 前向和反向传播 13
1.13　逐步说明神经网络和激活函数 14
1.14　前馈和反馈网络 16
1.15　梯度下降 17
1.16　神经网络分类法 17
1.17　使用R语言神经网络添加包neuralnet()的简单示例 19
1.18　使用添加包nnet()进行实现 24
1.19　深度学习 29
1.20　神经网络的优缺点 29
1.21　神经网络实现的最佳实践 30
1.22　有关GPU处理的简要说明 30
1.23　小结 31
第2章　神经网络中的学习过程 32
2.1　机器学习 33
2.1.1　有监督学习 34
2.1.2　无监督学习 35
2.1.3　强化学习 36
2.2　训练和测试模型 37
2.3　数据循环 38
2.4　评估指标 39
2.5　学习神经网络 42
2.6　反向传播 43
2.7　神经网络学习算法的优化 45
2.8　神经网络中的有监督学习 46
2.8.1　波士顿数据集 46
2.8.2　对波士顿数据集进行神经网络回归 48
2.9　神经网络中的无监督学习 54
2.9.1　竞争学习 55
2.9.2　Kohonen SOM 57
2.10　小结 63
第3章　使用多层神经网络进行深度学习 64
3.1　DNN简介 65
3.2　用于DNN的R语言 67
3.3　通过neuralnet建立多层神经网络 69
3.4　使用H2O对DNN进行训练和建模 78
3.5　使用H2O建立深度自动编码器 90
3.6　小结 91
第4章　感知神经网络建模—基本模型 93
4.1　感知机及其应用 93
4.2　简单感知机—一个线性可分离分类器 96
4.3　线性分离 98
4.4　R中的感知机函数 101
4.5　多层感知机 107
4.6　使用RSNNS在R中实现MLP 108
4.7　小结 117
第5章　在R中训练和可视化神经网络 119
5.1　使用神经网络进行数据拟合 120
5.1.1　探索性分析 124
5.1.2　神经网络模型 126
5.2　使用神经网络对乳腺癌进行分类 135
5.2.1　探索性分析 138
5.2.2　神经网络模型 143
5.2.3　网络训练阶段 146
5.2.4　测试神经网络 149
5.3　神经网络训练中的早期停止 152
5.4　避免模型中的过拟合 152
5.5　神经网络的泛化 154
5.6　神经网络模型中数据的缩放 154
5.7　集成神经网络来预测 155
5.8　小结 156
第6章　循环和卷积神经网络 157
6.1　循环神经网络 158
6.2　R中的添加包rnn 162
6.3　LSTM模型 170
6.4　卷积神经网络 172
6.5　常见的CNN架构—LeNet 175
6.6　使用RNN进行湿度预测 176
6.7　小结 183
第7章　神经网络案例—高级主题 185
7.1　TensorFlow与R的集成 186
7.2　Keras与R的集成 189
7.3　在R中使用MNIST HWR 190
7.4　使用数据集iris建立LSTM 199
7.5　使用自动编码器 203
7.6　使用H2O进行主成分分析 204
7.7　使用H2O建立自动编码器 207
7.8　使用添加包darch检测乳腺癌 211
7.9　小结 217