书籍详情
深度学习企业实战（基于R语言）
作者：[英] 尼格尔·刘易斯 著，邓世超 译
出版社：人民邮电出版社
出版时间：2019-06-01
ISBN：9787115510099
定价：¥59.00
购买这本书可以去
内容简介
深度学习是机器学习的一个分支，它能够使计算机通过层次概念来学习经验和理解世界。同时，深度学习也是非常贴近AI的一个技术分支，得到了越来越多人的关注。本书侧重于R语言与深度学习的结合，旨在通过通俗易懂的语言和实用技巧的介绍，帮助读者了解深度学习在商业领域的应用。本书包含12章，涉及基本的R编程技巧和深度学习原理，同时介绍了神经网络和深度学习在商业分析中的应用。除此之外，本书还介绍了神经网络的学习机制、激活函数等内容，并且给出了新闻分类、客户维系方法、消费预测、产品需求预测等实用策略。本书注重实用性，不对读者做过多的技术要求，适合所有想通过R编程来了解深度学习，并对其商业化应用感兴趣的读者。
作者简介
尼格尔·刘易斯（N.D.Lewis）是一位数据科学和预测领域的讲师、作者和研究者。他在华尔街和伦敦从事投资管理工作多年，编著了统计、数据科学和量化模型方面的数本图书，并且在大学里开设深度学、机器学和数据分析应用等方面的课程。
目录
第 1章 如何充分利用本书1
1．1 软件包使用建议 2
1．2 高效使用函数 3
1．3 无需等待 3
1．3．1 勤于动手 4
1．3．2 深度学习的价值 4
1．4 参考资料 5
第 2章 商业分析与神经网络 6
2．1 数据价值创造周期 8
2．2 神经网络简介 9
2．3 模式识别的本质 10
2．3．1 时序模式 12
2．3．2 复杂的商业模式 14
2．4 属性、分类和回归 15
2．4．1 属性 15
2．4．2 回归 16
2．4．3 分类 16
2．5 参考资料 17
第3章 商业中的深度学习 19
3．1 古典游戏让深度学习大放异彩 20
3．2 还有谁希望快速地了解深度学习的强大 21
3．3 改进价值创造链 23
3．4 如何进行智能化营销 24
3．5 客户流失——以及如何增加利润的小技巧 25
3．6 挖掘预测产品需求过程中隐藏的商机 25
3．7 参考资料 27
第4章 神经元和激活函数 29
4．1 人工神经元简介 30
4．2 激活函数 31
4．3 简化数学计算 32
4．4 S型激活函数简介 33
4．5 参考资料 34
第5章 神经网络的学习机制 36
5．1 反向传播算法简介 37
5．2 基本算法的工作原理 38
5．3 关于渐变下降 39
5．4 误差面简介 40
5．4．1 均方根误差 40
5．4．2 局部极小值 40
5．5 关于随机梯度下降的注意事项 43
5．6 参考资料 43
第6章 深度神经网络简介 44
6．1 关于精确预测的常识 45
6．2 在没有知识储备的情况下为复杂的数学关系建模 51
6．3 整合深度神经网络蓝图 53
6．4 深度神经网络的完美剖析 53
6．5 选择最佳层数 54
6．6 参考资料 55
第7章 在线热点新闻分类 57
7．1 在线新闻的特点 58
7．2 如何从网上下载在线新闻样本 59
7．3 一种浏览数据样本的简单方法 61
7．4 如何预处理新闻转发的频率 63
7．5 标准化的重要性 64
7．6 创建训练样本 66
7．7 适合深度神经网络的证明方法 67
7．8 分类预测 69
7．9 需要包含多少个神经元的答案 70
7．9．1 一个关键点 71
7．9．2 核心思想 72
7．10 构建一个更复杂的模型 72
7．11 混淆矩阵 73
7．11．1 table函数 74
7．11．2 测试集上的性能 75
7．12 实践出真知 76
7．13 参考资料 76
第8章 为客户流失建模以促进业务增长 78
8．1 客户流失的原因 79
8．2 电信行业的客户流失 81
8．3 如何将客户流失样本下载到本地硬盘 83
8．4 一种收集数据和查看特征的简单方法 83
8．4．1 转换因子变量 84
8．4．2 转换响应变量 85
8．4．3 清理 86
8．4．4 查看数据 86
8．5 快速构建一个深度神经网络 87
8．6 接收器操作特性曲线下的面积 88
8．7 Tanh激活函数 91
8．8 关于学习率 93
8．9 动量的完整直观指南 95
8．9．1 选择动量值 96
8．9．2 R中的学习率和动量 97
8．10 不平衡类的问题 98
8．11 一种易用的不平衡类解决方案 100
8．11．1 unbalanced软件包 101
8．11．2 运行模型 102
8．11．3 选择模型 103
8．11．4 每种模型的测试集性能 104
8．12 实践出真知 106
8．13 参考资料 106
第9章 产品需求预测 108
9．1 自行车共享系统 109
9．2 数据样本的分布和相关性 110
9．2．1 目标变量 113
9．2．2 预备属性 114
9．2．3 属性规范化 116
9．2．4 训练集 117
9．3 自动化公式生成 117
9．4 弹性反向传播解密 119
9．5 奥卡姆剃刀法则的解释 119
9．6 如何使用奥卡姆剃刀法则 120
9．7 确定性能基准的简单方法 123
9．8 重新训练一个替代模型 124
9．9 如何选择重复的次数 125
9．9．1 一个问题和一个答案 126
9．9．2 查看多次重复的性能 127
9．10 一个建模错误可以严重影响性能 128
9．11 简单模型如何提供稳定的性能 130
9．12 实践出真知 131
9．13 参考资料 132
第 10章 预测客户信用卡消费的艺术 133
10．1 明确信贷的角色 134
10．2 信用卡数据 135
10．3 预处理样本数据 137
10．3．1 处理因子属性 138
10．3．2 处理数值变量 139
10．3．3 创建核心数据帧 139
10．4 一种设计深度神经网络的简单方法 140
10．4．1 一种替代模型 141
10．4．2 一种解释 142
10．5 过度训练的挑战 144
10．6 提早停止的简单策略 146
10．7 实践出真知 147
10．8 参考资料 148
第 11章 客户品牌选择建模简介 151
11．1 品牌选择的概念性框架 152
11．1．1 效用的挑战 152
11．1．2 实际情况 153
11．2 检查样本数据 154
11．3 S型激活函数的实际限制 156
11．3．1 模型精度 157
11．3．2 消失的梯度 158
11．4 深度学习工具箱中必备的一个激活函数 159
11．5 保持技术的秘密 160
11．5．1 一个实际问题 161
11．5．2 重要提示 163
11．6 数据预处理的魔力 164
11．6．1 继续研究消费者品牌选择模型 164
11．6．2 测试集性能 166
11．6．3 修改测试——训练集分割 167
11．7 实践出真知 168
11．8 参考资料 168
第 12章 汽车价格预测 171
12．1 二手车价格的关键因素 172
12．2 下载二手车数据集 173
12．3 评估二手车价格和其他属性的关系 174
12．4 一个简单的数据预处理技巧 178
12．5 快速建立训练集和测试集 180
12．6 充分利用mini batching算法 180
12．6．1 一个问题 181
12．6．2 R中的批量大小 182
12．7 测量和评估模型性能 182
12．8 高效交叉验证的基本要领 183
12．9 一个可以轻松模拟的实用示例 185
12．9．1 一个简单的for循环 185
12．9．2 测试集上的性能 187
12．10 最后的思考 188
12．11 参考资料 189
1．1 软件包使用建议 2
1．2 高效使用函数 3
1．3 无需等待 3
1．3．1 勤于动手 4
1．3．2 深度学习的价值 4
1．4 参考资料 5
第 2章 商业分析与神经网络 6
2．1 数据价值创造周期 8
2．2 神经网络简介 9
2．3 模式识别的本质 10
2．3．1 时序模式 12
2．3．2 复杂的商业模式 14
2．4 属性、分类和回归 15
2．4．1 属性 15
2．4．2 回归 16
2．4．3 分类 16
2．5 参考资料 17
第3章 商业中的深度学习 19
3．1 古典游戏让深度学习大放异彩 20
3．2 还有谁希望快速地了解深度学习的强大 21
3．3 改进价值创造链 23
3．4 如何进行智能化营销 24
3．5 客户流失——以及如何增加利润的小技巧 25
3．6 挖掘预测产品需求过程中隐藏的商机 25
3．7 参考资料 27
第4章 神经元和激活函数 29
4．1 人工神经元简介 30
4．2 激活函数 31
4．3 简化数学计算 32
4．4 S型激活函数简介 33
4．5 参考资料 34
第5章 神经网络的学习机制 36
5．1 反向传播算法简介 37
5．2 基本算法的工作原理 38
5．3 关于渐变下降 39
5．4 误差面简介 40
5．4．1 均方根误差 40
5．4．2 局部极小值 40
5．5 关于随机梯度下降的注意事项 43
5．6 参考资料 43
第6章 深度神经网络简介 44
6．1 关于精确预测的常识 45
6．2 在没有知识储备的情况下为复杂的数学关系建模 51
6．3 整合深度神经网络蓝图 53
6．4 深度神经网络的完美剖析 53
6．5 选择最佳层数 54
6．6 参考资料 55
第7章 在线热点新闻分类 57
7．1 在线新闻的特点 58
7．2 如何从网上下载在线新闻样本 59
7．3 一种浏览数据样本的简单方法 61
7．4 如何预处理新闻转发的频率 63
7．5 标准化的重要性 64
7．6 创建训练样本 66
7．7 适合深度神经网络的证明方法 67
7．8 分类预测 69
7．9 需要包含多少个神经元的答案 70
7．9．1 一个关键点 71
7．9．2 核心思想 72
7．10 构建一个更复杂的模型 72
7．11 混淆矩阵 73
7．11．1 table函数 74
7．11．2 测试集上的性能 75
7．12 实践出真知 76
7．13 参考资料 76
第8章 为客户流失建模以促进业务增长 78
8．1 客户流失的原因 79
8．2 电信行业的客户流失 81
8．3 如何将客户流失样本下载到本地硬盘 83
8．4 一种收集数据和查看特征的简单方法 83
8．4．1 转换因子变量 84
8．4．2 转换响应变量 85
8．4．3 清理 86
8．4．4 查看数据 86
8．5 快速构建一个深度神经网络 87
8．6 接收器操作特性曲线下的面积 88
8．7 Tanh激活函数 91
8．8 关于学习率 93
8．9 动量的完整直观指南 95
8．9．1 选择动量值 96
8．9．2 R中的学习率和动量 97
8．10 不平衡类的问题 98
8．11 一种易用的不平衡类解决方案 100
8．11．1 unbalanced软件包 101
8．11．2 运行模型 102
8．11．3 选择模型 103
8．11．4 每种模型的测试集性能 104
8．12 实践出真知 106
8．13 参考资料 106
第9章 产品需求预测 108
9．1 自行车共享系统 109
9．2 数据样本的分布和相关性 110
9．2．1 目标变量 113
9．2．2 预备属性 114
9．2．3 属性规范化 116
9．2．4 训练集 117
9．3 自动化公式生成 117
9．4 弹性反向传播解密 119
9．5 奥卡姆剃刀法则的解释 119
9．6 如何使用奥卡姆剃刀法则 120
9．7 确定性能基准的简单方法 123
9．8 重新训练一个替代模型 124
9．9 如何选择重复的次数 125
9．9．1 一个问题和一个答案 126
9．9．2 查看多次重复的性能 127
9．10 一个建模错误可以严重影响性能 128
9．11 简单模型如何提供稳定的性能 130
9．12 实践出真知 131
9．13 参考资料 132
第 10章 预测客户信用卡消费的艺术 133
10．1 明确信贷的角色 134
10．2 信用卡数据 135
10．3 预处理样本数据 137
10．3．1 处理因子属性 138
10．3．2 处理数值变量 139
10．3．3 创建核心数据帧 139
10．4 一种设计深度神经网络的简单方法 140
10．4．1 一种替代模型 141
10．4．2 一种解释 142
10．5 过度训练的挑战 144
10．6 提早停止的简单策略 146
10．7 实践出真知 147
10．8 参考资料 148
第 11章 客户品牌选择建模简介 151
11．1 品牌选择的概念性框架 152
11．1．1 效用的挑战 152
11．1．2 实际情况 153
11．2 检查样本数据 154
11．3 S型激活函数的实际限制 156
11．3．1 模型精度 157
11．3．2 消失的梯度 158
11．4 深度学习工具箱中必备的一个激活函数 159
11．5 保持技术的秘密 160
11．5．1 一个实际问题 161
11．5．2 重要提示 163
11．6 数据预处理的魔力 164
11．6．1 继续研究消费者品牌选择模型 164
11．6．2 测试集性能 166
11．6．3 修改测试——训练集分割 167
11．7 实践出真知 168
11．8 参考资料 168
第 12章 汽车价格预测 171
12．1 二手车价格的关键因素 172
12．2 下载二手车数据集 173
12．3 评估二手车价格和其他属性的关系 174
12．4 一个简单的数据预处理技巧 178
12．5 快速建立训练集和测试集 180
12．6 充分利用mini batching算法 180
12．6．1 一个问题 181
12．6．2 R中的批量大小 182
12．7 测量和评估模型性能 182
12．8 高效交叉验证的基本要领 183
12．9 一个可以轻松模拟的实用示例 185
12．9．1 一个简单的for循环 185
12．9．2 测试集上的性能 187
12．10 最后的思考 188
12．11 参考资料 189
猜您喜欢
