近年来, 深度学习可谓是机器学习方向的明星概念, 不同的深度学习模型分别在图像处理与自然语言处理等任务中取得了前所未有的好成绩。
在许多场合都有这样的需求“如何对感兴趣的领域快速理解和使用深度学习技术?” 答案涉及复杂的数学、编程语言(如C、C ++ 和Java)。但随着R 的兴起, 现在使用深度学习技术比以往更容易。因为R 易学易用, 不要求很扎实的编程基础, 它被广泛地应用于机器学习实践和教学中。即使对R 语言不是很了解的用户也可以通过一些包来搭建深度学习网络。
全书11 章, 分为原理篇(第1 ~8 章) 和应用篇(第9 ~ 11 章)。原理篇按照深度学习的发展过程, 主要讨论了浅层神经网络、深度神经网络、卷积神经网络、递归神经网络、自编码网络、受限玻耳兹曼机和深度置信网。应用篇讨论R 环境部署深度学习环境的一些策略, 包括: MXNetR、H2O 和其他深度学习R 包以及一些典型的应用。
本书可用作本科高年级机器学习课程参考书或数据科学课程教材, 也可供对人工智能、机器学习感兴趣的读者参考阅读。