尼格尔·刘易斯（N.D. Lewis）是一位数据科学和预测领域的讲师、作者和研究者。他在华尔街和伦敦从事投资管理工作多年，编著了统计、数据科学和量化模型方面的数本图书，并且在大学里开设深度学习、机器学习和数据分析应用等方面的课程。

随着大数据爆炸式发展，深度学习及相关技术引发了人们浓厚的兴趣。谷歌、微软和Facebook等大公司都在积极发展内部的深度学习团队，其他公司也迅速跟进。

本书是详细的、实用的实践指南，揭示了深度学习模型是如何工作的，并且通过强大的开源的R语言预测分析工具包展示了构建这些模型的捷径。在本书中，作者将带领读者绕过陡峭的学习曲线，掌握深度学习的捷径。通过阅读本书，读者将会学到如何构建成功的深度学习模型，并将其用于数据挖掘。一旦掌握了构建深度学习模型的流程，读者就很容易将掌握的知识变成强有力的应用工具。

本书包括以下内容：
★ 如何开发循环神经网络（Recurrent Neural Networks）；
★ 如何构建Elman神经网络（Elman Neural Networks）；
★ 如何部署Jordan神经网络 （Jordan Neural Networks）；
★ 如何创建级联关联神经网络（Cascade Correlation Neural Networks）；
★ 理解深度神经网络（Deep Neural Networks）；
★ 使用自编码器（Autoencoders）；
★ 释放堆叠自编码器（Stacked Autoencoders）的威力；
★ 利用受限玻尔兹曼机（Restricted Boltzmann Machine）；
★ 掌握深度信念网络（Deep Belief Networks）。

本书适用于任何对机器学习、预测分析技术、神经网络、决策科学感兴趣的人。如果你想进入知名的数据科学家的行列，本书则可以帮助你初窥门径。

第 1章　简介　1
1．1　什么是深度学习　2
1．2　深度学习解决什么问题　3
1．3　谁在使用深度学习　4
1．4　神经网络基础　6
1．4．1　神经元的角色（作用）　9
1．4．2　激活函数　11
1．4．3　神经网络学习算法　13
1．5　注释　16
第 2章　深度神经网络　24
2．1　令人惊讶的对深度神经网络的简单剖析　25
2．2　如何用60秒或更少的时间解释清楚深度神经网络　26
2．3　3个绝妙的使用深度神经网络的途径　27
2．3．1　在有雾天气增强能见度　27
2．3．2　让黑客和网络犯罪分子吃些苦头　30
2．3．3　令人难以置信的收缩的图像压缩　31
2．4　如何迅速逼近任意函数　33
2．5　选择多少个神经元　38
2．6　选择最佳神经网络层数的常识　40
2．7　提升深度神经网络性能的3种方法　41
2．7．1　用“dropout”方法来提高成功率　41
2．7．2　如何从小批量（mini batching）中获益　44
2．7．3　提前终止（Early stopping）的简单计划　45
2．8　用R以难以置信的简单方法来构建深度神经网络　47
2．8．1　构建深度神经网络回归模型的方法　47
2．8．2　聪明人使用深度神经网络回归模型的技巧　51
2．8．3　构建深度神经网络分类器的艺术　54
2．8．4　如何构建多响应变量模型　61
2．9　注释　69
第3章　Elman神经网络　75
3．1　什么是Elman神经网络　76
3．2　上下文层神经元的作用是什么　77
3．3　如何理解信息的流动　77
3．4　如何用Elman神经网络提升效果　78
3．5　使用Elman神经网络的4种妙招　78
3．5．1　终极天气预报模型　79
3．5．2　如何迅速发现严重的故障　79
3．5．3　提高水质量的创新性想法　80
3．5．4　在股票证券市场如何实现一个“杀手级”应用　80
3．6　构建Elman神经网络的简单方法　81
3．7　如何加载工具包　82
3．8　为什么数据可视化是一门科学　82
3．9　转换数据的秘密　85
3．10　如何估计模型　88
3．11　创建理想的预测　89
3．12　注释　90
第4章　Jordan神经网络　92
4．1　Jordan神经网络可以解决的3个问题　93
4．1．1　风速预测的终极指南　93
4．1．2　如何对蛋白质的相互作用分类　93
4．1．3　深度学习在西班牙语方面的应用　94
4．2　R语言Jordan神经网络模型的基本要素　94
4．3　寻找合适的包　95
4．4　转换数据的方法　96
4．5　如何选择训练样本　98
4．6　用这个技巧来预估你的模型　98
4．7　注释　100
第5章　自编码器的秘密　102
5．1　绝地控心术　103
5．2　秘密揭晓　104
5．3　可以直接检验的实用定义　106
5．4　如何拯救巴西热带草原赛拉多（Cerrado）　106
5．5　需要了解的基本要素　107
5．6　稀疏自编码器的强大益处　108
5．7　理解Kullback-Leibler距离　108
5．8　对稀疏自编码器的3个永恒的教训　109
5．9　好莱坞、生物统计学和稀疏自编码器的混合　109
5．10　如何利用R语言快速使用自编码器　111
5．11　在你自己的数据科学项目使用R语言　116
5．12　注释　123
第6章　堆叠自编码器简介　125
6．1　深度学习大师的秘密武器　126
6．2　最佳睡眠时间　127
6．3　不超过5分钟就可以构建一个堆叠自编码器　130
6．4　什么是去噪自编码器　131
6．5　随机“调味剂”　132
6．6　去噪自编码器的两个核心任务　133
6．7　如何理解堆叠去噪自编码器　133
6．8　一个惊人的实际应用　134
6．8．1　一个创新想法　136
6．8．2　Chen、Li、Yang是如何训练他们的模型的　138
6．8．3　如何避免塞壬的歌声　138
6．8．4　作者给读者提出的一个挑战　140
6．9　用R语言构建去噪自编码器的捷径　141
6．10　注释　146

第7章　限制玻尔兹曼机　149
7．1　了解限制玻尔兹曼机的4个步骤　149
7．2　能量函数和概率分布的角色　150
7．3　用一种华丽的方式来思考　152
7．4　模型学习的目标　153
7．5　像魔法一样的训练技巧　153
7．5．1　技巧1：美丽的游戏　153
7．5．2　技巧2：开启限制玻尔兹曼机“王国”的钥匙　155
7．5．3　技巧3：如探囊取物般简单地激活函数　155
7．5．4　技巧4：对比散度算法的替代方法　156
7．6　对深度学习的主要批评　157
7．7　改变世界的两个想法　158
7．7．1　“用拳头猛击癌症”　159
7．7．2　以华丽的方式助攻麻醉师　161
7．8　用R语言构建限制玻尔兹曼机的秘密　164
7．9　注释　168
第8章　深度信念网络　173
8．1　如何训练一个深度信念网络（DBM）　173
8．1．1　预训练的关键要素　174
8．1．2　精调的关键　174
8．2　如何提供一个更好的呼叫等待经验　175
8．3　可以很容易模仿的世界一流的想法　176
8．4　用R语言构建深度信念网络的步骤　179
8．5　注释　182