本书将通过高级示例帮助读者应用R语言实现深度学习算法。它涵盖了各种神经网络模型，如人工神经网络、卷积神经网络、循环神经网络、长短期记忆网络和其他采用专家技术的模型。在阅读本书的过程中，读者将利用Keras-R、TensorFlow-R等流行的深度学习库来实现人工智能模型。 本书的目标读者是希望增长技能和知识以便借助R语言应用深度学习技术和算法的数据科学家、机器学习从业人员、深度学习研究人员以及人工智能爱好者。对机器学习的深刻理解和R编程语言的应用知识是必需的。

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3章 回归问题的深度神经网络
3.1 波士顿房价数据集
3.2 建模数据准备
3.2.1 神经网络的可视化
3.2.2 数据分割
3.2.3 归一化
3.3 回归问题深度神经网络模型的创建与拟合
3.3.1 参数总数计算
……
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