內容簡介

深度學習是機器學習的一個分支，它能夠使電腦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，幫助讀者了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，同時介紹了神經網路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路的學習機制、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編程來了解深度學習，並對其商業化應用感興趣的讀者。

作者介紹

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，並且在大學里開設深度學、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套裝軟體使用建議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路6
2.1資料價值創造週期8
2.2神經網路簡介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如何進行智慧化行銷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章神經元和啟動函數29
4.1人工神經元簡介30
4.2啟動函數31
4.3簡化數學計算32
4.4S型啟動函數簡介33
4.5參考資料34

第5章神經網路的學習機制36
5.1反向傳播演算法簡介37
5.2基本演算法的工作原理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章深度神經網路簡介44
6.1關於預測的常識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整合深度神經網路藍圖53
6.4深度神經網路的**剖析53
6.5選擇最佳層數54
6.6參考資料55

第7章線上熱點新聞分類57
7.1線上新聞的特點58
7.2如何從網上下載線上新聞樣本59
7.3一種流覽資料樣本的簡單方法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適合深度神經網路的證明方法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*複雜的模型72
7.11混淆矩陣73
7.11.1table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碟83
8.4一種收集資料和查看特徵的簡單方法83
8.4.1轉換因數變數84
8.4.2轉換回應變數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路87
8.6接收器操作特性曲線下的面積88
8.7Tanh啟動函數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
8.9.2R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
8.11.1unbalanced套裝軟體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自行車共用系統109
9.2資料樣本的分佈和相關性110
9.2.1目標變數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預處理樣本資料137
10.3.1處理因數屬性138
10.3.2處理數值變數139
10.3.3創建核心資料幀139
10.4一種設計深度神經網路的簡單方法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檢查樣本資料154
11.3S型啟動函數的實際限制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**的一個啟動函數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下載二手車資料集173
12.3評估二手車價格和其他屬性的關係174
12.4一個簡單的資料預處理技巧178
12.5快速建立訓練集和測試集180
12.6充分利用mini batching演算法180
12.6.1一個問題181
12.6.2R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迴圈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

看更多