深度學習企業實戰：基於R語言（簡體書）

深度學習是機器學習的一個分支，它能夠使計算機通過層次概念來學習經驗和理解世界。同時，深度學習也是非常貼近AI的一個技術分支，得到了越來越多人的關注。本書側重於R語言與深度學習的結合，旨在通過通俗易懂的語言和實用技巧的介紹，幫助讀者瞭解深度學習在商業領域的應用。
本書包含12章，涉及基本的R編程技巧和深度學習原理，同時介紹了神經網絡和深度學習在商業分析中的應用。除此之外，本書還介紹了神經網絡的學習機制、激活函數等內容，並且給出了新聞分類、客戶維繫方法、消費預測、產品需求預測等實用策略。
本書注重實用性，不對讀者做過多的技術要求，適合所有想通過R編程來瞭解深度學習，並對其商業化應用感興趣的讀者。

尼格爾·劉易斯，（N.D.Lewis）是一位數據科學和預測領域的講師、作者和研究者。他在華爾街和倫敦從事投資管理工作多年，編著了統計、數據科學和量化模型方面的數本圖書，並且在大學裡開設深度學、機器學和數據分析應用等方面的課程。

第 1章 如何充分利用本書1

1．1 軟件包使用建議 2

1．2 高效使用函數 3

1．3 無需等待 3

1．3．1 勤於動手 4

1．3．2 深度學習的價值 4

1．4 參考資料 5

第 2章 商業分析與神經網絡 6

2．1 數據價值創造週期 8

2．2 神經網絡簡介 9

2．3 模式識別的本質 10

2．3．1 時序模式 12

2．3．2 複雜的商業模式 14

2．4 屬性、分類和回歸 15

2．4．1 屬性 15

2．4．2 回歸 16

2．4．3 分類 16

2．5 參考資料 17

第3章 商業中的深度學習 19

3．1 古典遊戲讓深度學習大放異彩 20

3．2 還有誰希望快速地瞭解深度學習的強大 21

3．3 改進價值創造鏈 23

3．4 如何進行智能化營銷 24

3．5 客戶流失――以及如何增加利潤的小技巧 25

3．6 挖掘預測產品需求過程中隱藏的商機 25

3．7 參考資料 27

第4章 神經元和激活函數 29

4．1 人工神經元簡介 30

4．2 激活函數 31

4．3 簡化數學計算 32

4．4 S型激活函數簡介 33

4．5 參考資料 34

第5章 神經網絡的學習機制 36

5．1 反向傳播算法簡介 37

5．2 基本算法的工作原理 38

5．3 關於漸變下降 39

5．4 誤差面簡介 40

5．4．1 均方根誤差 40

5．4．2 局部極小值 40

5．5 關於隨機梯度下降的注意事項 43

5．6 參考資料 43

第6章 深度神經網絡簡介 44

6．1 關於精確預測的常識 45

6．2 在沒有知識儲備的情況下為複雜的數學關係建模 51

6．3 整合深度神經網絡藍圖 53

6．4 深度神經網絡的完美剖析 53

6．5 選擇最佳層數 54

6．6 參考資料 55

第7章 在線熱點新聞分類 57

7．1 在線新聞的特點 58

7．2 如何從網上下載在線新聞樣本 59

7．3 一種瀏覽數據樣本的簡單方法 61

7．4 如何預處理新聞轉發的頻率 63

7．5 標準化的重要性 64

7．6 創建訓練樣本 66

7．7 適合深度神經網絡的證明方法 67

7．8 分類預測 69

7．9 需要包含多少個神經元的答案 70

7．9．1 一個關鍵點 71

7．9．2 核心思想 72

7．10 構建一個更複雜的模型 72

7．11 混淆矩陣 73

7．11．1 table函數 74

7．11．2 測試集上的性能 75

7．12 實踐出真知 76

7．13 參考資料 76

第8章 為客戶流失建模以促進業務增長 78

8．1 客戶流失的原因 79

8．2 電信行業的客戶流失 81

8．3 如何將客戶流失樣本下載到本地硬盤 83

8．4 一種收集數據和查看特徵的簡單方法 83

8．4．1 轉換因子變量 84

8．4．2 轉換響應變量 85

8．4．3 清理 86

8．4．4 查看數據 86

8．5 快速構建一個深度神經網絡 87

8．6 接收器操作特性曲線下的面積 88

8．7 Tanh激活函數 91

8．8 關於學習率 93

8．9 動量的完整直觀指南 95

8．9．1 選擇動量值 96

8．9．2 R中的學習率和動量 97

8．10 不平衡類的問題 98

8．11 一種易用的不平衡類解決方案 100

8．11．1 unbalanced軟件包 101

8．11．2 運行模型 102

8．11．3 選擇模型 103

8．11．4 每種模型的測試集性能 104

8．12 實踐出真知 106

8．13 參考資料 106

第9章 產品需求預測 108

9．1 自行車共享系統 109

9．2 數據樣本的分佈和相關性 110

9．2．1 目標變量 113

9．2．2 預備屬性 114

9．2．3 屬性規範化 116

9．2．4 訓練集 117

9．3 自動化公式生成 117

9．4 彈性反向傳播解密 119

9．5 奧卡姆剃刀法則的解釋 119

9．6 如何使用奧卡姆剃刀法則 120

9．7 確定性能基準的簡單方法 123

9．8 重新訓練一個替代模型 124

9．9 如何選擇重複的次數 125

9．9．1 一個問題和一個答案 126

9．9．2 查看多次重複的性能 127

9．10 一個建模錯誤可以嚴重影響性能 128

9．11 簡單模型如何提供穩定的性能 130

9．12 實踐出真知 131

9．13 參考資料 132

第 10章 預測客戶信用卡消費的藝術 133

10．1 明確信貸的角色 134

10．2 信用卡數據 135

10．3 預處理樣本數據 137

10．3．1 處理因子屬性 138

10．3．2 處理數值變量 139

10．3．3 創建核心數據幀 139

10．4 一種設計深度神經網絡的簡單方法 140

10．4．1 一種替代模型 141

10．4．2 一種解釋 142

10．5 過度訓練的挑戰 144

10．6 提早停止的簡單策略 146

10．7 實踐出真知 147

10．8 參考資料 148

第 11章 客戶品牌選擇建模簡介 151

11．1 品牌選擇的概念性框架 152

11．1．1 效用的挑戰 152

11．1．2 實際情況 153

11．2 檢查樣本數據 154

11．3 S型激活函數的實際限制 156

11．3．1 模型精度 157

11．3．2 消失的梯度 158

11．4 深度學習工具箱中必備的一個激活函數 159

11．5 保持技術的秘密 160

11．5．1 一個實際問題 161

11．5．2 重要提示 163

11．6 數據預處理的魔力 164

11．6．1 繼續研究消費者品牌選擇模型 164

11．6．2 測試集性能 166

11．6．3 修改測試――訓練集分割 167

11．7 實踐出真知 168

11．8 參考資料 168

第 12章 汽車價格預測 171

12．1 二手車價格的關鍵因素 172

12．2 下載二手車數據集 173

12．3 評估二手車價格和其他屬性的關係 174

12．4 一個簡單的數據預處理技巧 178

12．5 快速建立訓練集和測試集 180

12．6 充分利用mini batching算法 180

12．6．1 一個問題 181

12．6．2 R中的批量大小 182

12．7 測量和評估模型性能 182

12．8 高效交叉驗證的基本要領 183

12．9 一個可以輕鬆模擬的實用示例 185

12．9．1 一個簡單的for循環 185

12．9．2 測試集上的性能 187

12．10 最後的思考 188

12．11 參考資料 189