深度學習企業(yè)實戰(zhàn)（基于R語言）

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(shù) 3
1．3 無需等待 3
1．3．1 勤于動手 4
1．3．2 深度學習的價值 4
1．4 參考資料 5
第 2章 商業(yè)分析與神經(jīng)網(wǎng)絡 6
2．1 數(shù)據(jù)價值創(chuàng)造周期 8
2．2 神經(jīng)網(wǎng)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 復雜的商業(yè)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(yè)中的深度學習 19
3．1 古典游戲讓深度學習大放異彩 20
3．2 還有誰希望快速地了解深度學習的強大 21
3．3 改進價值創(chuàng)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(chǎn)品需求過程中隱藏的商機 25
3．7 參考資料 27
第4章 神經(jīng)元和激活函數(shù) 29
4．1 人工神經(jīng)元簡介 30
4．2 激活函數(shù) 31
4．3 簡化數(shù)學計算 32
4．4 S型激活函數(shù)簡介 33
4．5 參考資料 34
第5章 神經(jīng)網(wǎng)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 關于漸變下降 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 關于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(jīng)網(wǎng)絡簡介 44
6．1 關于精確預測的常識 45
6．2 在沒有知識儲備的情況下為復雜的數(shù)學關系建模 51
6．3 整合深度神經(jīng)網(wǎng)絡藍圖 53
6．4 深度神經(jīng)網(wǎng)絡的完美剖析 53
6．5 選擇最佳層數(shù) 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(wǎng)上下載在線新聞樣本 59
7．3 一種瀏覽數(shù)據(jù)樣本的簡單方法 61
7．4 如何預處理新聞轉發(fā)的頻率 63
7．5 標準化的重要性 64
7．6 創(chuàng)建訓練樣本 66
7．7 適合深度神經(jīng)網(wǎng)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(jīng)元的答案 70
7．9．1 一個關鍵點 71
7．9．2 核心思想 72
7．10 構建一個更復雜的模型 72
7．11 混淆矩陣 73
7．11．1 table函數(shù) 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(yè)務增長 78
8．1 客戶流失的原因 79
8．2 電信行業(yè)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(shù)據(jù)和查看特征的簡單方法 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(shù)據(jù) 86
8．5 快速構建一個深度神經(jīng)網(wǎng)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(shù) 91
8．8 關于學習率 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(chǎn)品需求預測 108
9．1 自行車共享系統(tǒng) 109
9．2 數(shù)據(jù)樣本的分布和相關性 110
9．2．1 目標變量 113
9．2．2 預備屬性 114
9．2．3 屬性規(guī)范化 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 如何選擇重復的次數(shù) 125
9．9．1 一個問題和一個答案 126
9．9．2 查看多次重復的性能 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(wěn)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(shù)據(jù) 135
10．3 預處理樣本數(shù)據(jù) 137
10．3．1 處理因子屬性 138
10．3．2 處理數(shù)值變量 139
10．3．3 創(chuàng)建核心數(shù)據(jù)幀 139
10．4 一種設計深度神經(jīng)網(wǎng)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(zhàn) 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(zhàn) 152
11．1．2 實際情況 153
11．2 檢查樣本數(shù)據(jù) 154
11．3 S型激活函數(shù)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(shù) 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(shù)據(jù)預處理的魔力 164
11．6．1 繼續(xù)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(shù)據(jù)集 173
12．3 評估二手車價格和其他屬性的關系 174
12．4 一個簡單的數(shù)據(jù)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 一個可以輕松模擬的實用示例 185
12．9．1 一個簡單的for循環(huán) 185
12．9．2 測試集上的性能 187
12．10 最后的思考 188
12．11 參考資料 189