Introduction to Deep Learning Using R: A Step-by-Step Guide to Learning and Implementing Deep Learning Models Using R

Эта книга представляет собой практическое руководство по применению методов глубокого обучения с использованием языка программирования R. Автор последовательно знакомит читателей с фундаментальными концепциями нейронных сетей, начиная с математических основ и заканчивая реализацией сложных архитектур.

В первых главах рассматриваются необходимые математические предпосылки — линейная алгебра, теория оптимизации и основы машинного обучения. Далее подробно разбираются различные типы нейронных сетей: от простых перцептронов до сверточных (CNN) и рекуррентных нейронных сетей (RNN). Особое внимание уделяется таким продвинутым архитектурам, как автокодировщики, ограниченные машины Больцмана и глубокие сети доверия.

Книга имеет выраженную практическую направленность — каждый теоретический раздел сопровождается примерами кода на R. Автор демонстрирует, как использовать популярные пакеты и фреймворки для реализации моделей глубокого обучения. Отдельные главы посвящены экспериментальному дизайну, эвристикам настройки моделей, а также рекомендациям по выбору аппаратного и программного обеспечения.

В завершающих главах представлены полноценные примеры решения реальных задач машинного обучения и глубокого обучения, что позволяет закрепить полученные знания на практике. Книга подходит как для начинающих, так и для опытных специалистов по анализу данных, желающих освоить глубокое обучение в экосистеме R.