ebook img

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

240 Pages·2017·7.08 MB·English
by  
Save to my drive
Quick download
Download
Most books are stored in the elastic cloud where traffic is expensive. For this reason, we have a limit on daily download.

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

Introduction to Deep Learning Using R A Step-by-Step Guide to Learning and Implementing Deep Learning Models Using R — Taweh Beysolow II Introduction to Deep Learning Using R A Step-by-Step Guide to Learning and Implementing Deep Learning Models Using R Taweh Beysolow II Introduction to Deep Learning Using R Taweh Beysolow II San Francisco, California, USA ISBN-13 (pbk): 978-1-4842-2733-6 ISBN-13 (electronic): 978-1-4842-2734-3 DOI 10.1007/978-1-4842-2734-3 Library of Congress Control Number: 2017947908 Copyright © 2017 by Taweh Beysolow II This work is subject to copyright. All rights are reserved by the Publisher, whether the whole or part of the material is concerned, specifically the rights of translation, reprinting, reuse of illustrations, recitation, broadcasting, reproduction on microfilms or in any other physical way, and transmission or information storage and retrieval, electronic adaptation, computer software, or by similar or dissimilar methodology now known or hereafter developed. Trademarked names, logos, and images may appear in this book. Rather than use a trademark symbol with every occurrence of a trademarked name, logo, or image we use the names, logos, and images only in an editorial fashion and to the benefit of the trademark owner, with no intention of infringement of the trademark. The use in this publication of trade names, trademarks, service marks, and similar terms, even if they are not identified as such, is not to be taken as an expression of opinion as to whether or not they are subject to proprietary rights. While the advice and information in this book are believed to be true and accurate at the date of publication, neither the authors nor the editors nor the publisher can accept any legal responsibility for any errors or omissions that may be made. The publisher makes no warranty, express or implied, with respect to the material contained herein. Cover image designed by Freepik Managing Director: Welmoed Spahr Editorial Director: Todd Green Acquisitions Editor: Celestin Suresh John Development Editor: Laura Berendson Technical Reviewer: Somil Asthana Coordinating Editor: Sanchita Mandal Copy Editor: Corbin Collins Compositor: SPi Global Indexer: SPi Global Artist: SPi Global Distributed to the book trade worldwide by Springer Science+Business Media New York, 233 Spring Street, 6th Floor, New York, NY 10013. Phone 1-800-SPRINGER, fax (201) 348-4505, e-mail [email protected], or visit www.springeronline.com. Apress Media, LLC is a California LLC and the sole member (owner) is Springer Science + Business Media Finance Inc (SSBM Finance Inc). SSBM Finance Inc is a Delaware corporation. For information on translations, please e-mail [email protected], or visit http://www.apress.com/rights-permissions. Apress titles may be purchased in bulk for academic, corporate, or promotional use. eBook versions and licenses are also available for most titles. For more information, reference our Print and eBook Bulk Sales web page at http://www.apress.com/bulk-sales. Any source code or other supplementary material referenced by the author in this book is available to readers on GitHub via the book's product page, located at the following link: https://github.com/TawehBeysolowII/AnIntroductionToDeepLearning. For more detailed information, please visit http://www.apress.com/source-code. Printed on acid-free paper Contents at a Glance About the Author ����������������������������������������������������������������������������xiii About the Technical Reviewer ���������������������������������������������������������xv Acknowledgments �������������������������������������������������������������������������xvii Introduction ������������������������������������������������������������������������������������xix ■ Chapter 1: Introduction to Deep Learning ��������������������������������������1 ■ Chapter 2: Mathematical Review �������������������������������������������������11 ■ Chapter 3: A Review of Optimization and Machine Learning �������45 ■ Chapter 4: Single and Multilayer Perceptron Models �������������������89 ■ Chapter 5: Convolutional Neural Networks (CNNs) ���������������������101 ■ Chapter 6: Recurrent Neural Networks (RNNs)���������������������������113 ■ Chapter 7: Autoencoders, Restricted Boltzmann Machines, and Deep Belief Networks ����������������������������������������������������������125 ■ Chapter 8: Experimental Design and Heuristics �������������������������137 ■ Chapter 9: Hardware and Software Suggestions ������������������������167 ■ Chapter 10: Machine Learning Example Problems ���������������������171 ■ Chapter 11: Deep Learning and Other Example Problems ����������195 ■ Chapter 12: Closing Statements �������������������������������������������������219 Index ����������������������������������������������������������������������������������������������221 iii Contents About the Author ����������������������������������������������������������������������������xiii About the Technical Reviewer ���������������������������������������������������������xv Acknowledgments �������������������������������������������������������������������������xvii Introduction ������������������������������������������������������������������������������������xix ■ Chapter 1: Introduction to Deep Learning ��������������������������������������1 Deep Learning Models ����������������������������������������������������������������������������3 Single Layer Perceptron Model (SLP) �����������������������������������������������������������������������3 Multilayer Perceptron Model (MLP) ��������������������������������������������������������������������������4 Convolutional Neural Networks (CNNs) ��������������������������������������������������������������������5 Recurrent Neural Networks (RNNs) ��������������������������������������������������������������������������5 Restricted Boltzmann Machines (RBMs) ������������������������������������������������������������������6 Deep Belief Networks (DBNs) �����������������������������������������������������������������������������������6 Other Topics Discussed ���������������������������������������������������������������������������7 Experimental Design �������������������������������������������������������������������������������������������������7 Feature Selection ������������������������������������������������������������������������������������������������������7 Applied Machine Learning and Deep Learning ���������������������������������������������������������7 History of Deep Learning ������������������������������������������������������������������������������������������7 Summary �������������������������������������������������������������������������������������������������9 ■ Chapter 2: Mathematical Review �������������������������������������������������11 Statistical Concepts�������������������������������������������������������������������������������11 Probability ���������������������������������������������������������������������������������������������������������������11 And vs� Or ���������������������������������������������������������������������������������������������������������������12 v ■ Contents Bayes’ Theorem ������������������������������������������������������������������������������������������������������14 Random Variables ���������������������������������������������������������������������������������������������������14 Variance ������������������������������������������������������������������������������������������������������������������15 Standard Deviation �������������������������������������������������������������������������������������������������16 Coefficient of Determination (R Squared) ���������������������������������������������������������������17 Mean Squared Error (MSE) �������������������������������������������������������������������������������������17 Linear Algebra ���������������������������������������������������������������������������������������17 Scalars and Vectors ������������������������������������������������������������������������������������������������17 Properties of Vectors ����������������������������������������������������������������������������������������������18 Axioms ��������������������������������������������������������������������������������������������������������������������19 Subspaces ��������������������������������������������������������������������������������������������������������������20 Matrices ������������������������������������������������������������������������������������������������������������������20 Summary �����������������������������������������������������������������������������������������������43 ■ Chapter 3: A Review of Optimization and Machine Learning �������45 Unconstrained Optimization ������������������������������������������������������������������45 Local Minimizers ����������������������������������������������������������������������������������������������������47 Global Minimizers ���������������������������������������������������������������������������������������������������47 Conditions for Local Minimizers �����������������������������������������������������������������������������48 Neighborhoods ��������������������������������������������������������������������������������������49 Interior and Boundary Points ����������������������������������������������������������������������������������50 Machine Learning Methods: Supervised Learning ��������������������������������50 History of Machine Learning �����������������������������������������������������������������������������������50 What Is an Algorithm? ��������������������������������������������������������������������������������������������51 Regression Models ��������������������������������������������������������������������������������51 Linear Regression ���������������������������������������������������������������������������������������������������51 Choosing An Appropriate Learning Rate ������������������������������������������������55 Newton’s Method ����������������������������������������������������������������������������������������������������60 Levenberg-Marquardt Heuristic ������������������������������������������������������������������������������61 vi ■ Contents What Is Multicollinearity? ����������������������������������������������������������������������62 Testing for Multicollinearity �������������������������������������������������������������������62 Variance Inflation Factor (VIF) ���������������������������������������������������������������������������������62 Ridge Regression ����������������������������������������������������������������������������������������������������62 Least Absolute Shrinkage and Selection Operator (LASSO)������������������������������������63 Comparing Ridge Regression and LASSO ���������������������������������������������������������������64 Evaluating Regression Models��������������������������������������������������������������������������������64 Receiver Operating Characteristic (ROC) Curve ������������������������������������������������������67 Confusion Matrix�����������������������������������������������������������������������������������������������������68 Limitations to Logistic Regression ��������������������������������������������������������������������������69 Support Vector Machine (SVM) �������������������������������������������������������������������������������70 Sub-Gradient Method Applied to SVMs �������������������������������������������������������������������72 Extensions of Support Vector Machines �����������������������������������������������������������������73 Limitations Associated with SVMs ��������������������������������������������������������������������������73 Machine Learning Methods: Unsupervised Learning ����������������������������74 K-Means Clustering ������������������������������������������������������������������������������������������������74 Assignment Step ����������������������������������������������������������������������������������������������������74 Update Step ������������������������������������������������������������������������������������������������������������75 Limitations of K-Means Clustering �������������������������������������������������������������������������75 Expectation Maximization (EM) Algorithm ���������������������������������������������76 Expectation Step �����������������������������������������������������������������������������������������������������77 Maximization Step ��������������������������������������������������������������������������������������������������77 Decision Tree Learning ��������������������������������������������������������������������������78 Classification Trees �������������������������������������������������������������������������������������������������79 Regression Trees ����������������������������������������������������������������������������������������������������80 Limitations of Decision Trees ����������������������������������������������������������������������������������81 Ensemble Methods and Other Heuristics ����������������������������������������������82 Gradient Boosting ���������������������������������������������������������������������������������������������������82 Gradient Boosting Algorithm �����������������������������������������������������������������������������������82 vii ■ Contents Random Forest �������������������������������������������������������������������������������������������������������83 Limitations to Random Forests �������������������������������������������������������������������������������83 Bayesian Learning ���������������������������������������������������������������������������������83 Naïve Bayes Classifier ��������������������������������������������������������������������������������������������84 Limitations Associated with Bayesian Classifiers ���������������������������������������������������84 Final Comments on Tuning Machine Learning Algorithms ��������������������������������������85 Reinforcement Learning ������������������������������������������������������������������������86 Summary �����������������������������������������������������������������������������������������������87 ■ Chapter 4: Single and Multilayer Perceptron Models �������������������89 Single Layer Perceptron (SLP) Model ����������������������������������������������������89 Training the Perceptron Model �������������������������������������������������������������������������������90 Widrow-Hoff (WH) Algorithm�����������������������������������������������������������������������������������90 Limitations of Single Perceptron Models ����������������������������������������������������������������91 Summary Statistics ������������������������������������������������������������������������������������������������94 Multi-Layer Perceptron (MLP) Model �����������������������������������������������������94 Converging upon a Global Optimum �����������������������������������������������������������������������95 Back-propagation Algorithm for MLP Models: ��������������������������������������������������������95 Limitations and Considerations for MLP Models ����������������������������������������������������97 How Many Hidden Layers to Use and How Many Neurons Are in It ������������������������99 Summary ���������������������������������������������������������������������������������������������100 ■ Chapter 5: Convolutional Neural Networks (CNNs) ���������������������101 Structure and Properties of CNNs �������������������������������������������������������101 Components of CNN Architectures ������������������������������������������������������103 Convolutional Layer ����������������������������������������������������������������������������������������������103 Pooling Layer ��������������������������������������������������������������������������������������������������������105 Rectified Linear Units (ReLU) Layer ����������������������������������������������������������������������106 Fully Connected (FC) Layer �����������������������������������������������������������������������������������106 Loss Layer ������������������������������������������������������������������������������������������������������������107 viii ■ Contents Tuning Parameters ������������������������������������������������������������������������������108 Notable CNN Architectures ������������������������������������������������������������������108 Regularization �������������������������������������������������������������������������������������111 Summary ���������������������������������������������������������������������������������������������112 ■ Chapter 6: Recurrent Neural Networks (RNNs)���������������������������113 Fully Recurrent Networks ��������������������������������������������������������������������113 Training RNNs with Back-Propagation Through Time (BPPT) ��������������114 Elman Neural Networks �����������������������������������������������������������������������115 Neural History Compressor �����������������������������������������������������������������116 Long Short-Term Memory (LSTM) �������������������������������������������������������116 Traditional LSTM ����������������������������������������������������������������������������������118 Training LSTMs ������������������������������������������������������������������������������������118 Structural Damping Within RNNs ��������������������������������������������������������119 Tuning Parameter Update Algorithm ���������������������������������������������������119 Practical Example of RNN: Pattern Detection ��������������������������������������120 Summary ���������������������������������������������������������������������������������������������124 ■ Chapter 7: Autoencoders, Restricted Boltzmann Machines, and Deep Belief Networks ����������������������������������������������������������125 Autoencoders ��������������������������������������������������������������������������������������125 Linear Autoencoders vs� Principal Components Analysis (PCA) ����������126 Restricted Boltzmann Machines ����������������������������������������������������������127 Contrastive Divergence (CD) Learning �������������������������������������������������129 Momentum Within RBMs ���������������������������������������������������������������������132 Weight Decay ��������������������������������������������������������������������������������������133 Sparsity �����������������������������������������������������������������������������������������������133 No� and Type Hidden Units ������������������������������������������������������������������������������������133 ix ■ Contents Deep Belief Networks (DBNs) ��������������������������������������������������������������134 Fast Learning Algorithm (Hinton and Osindero 2006) �������������������������135 Algorithm Steps ����������������������������������������������������������������������������������������������������136 Summary ���������������������������������������������������������������������������������������������136 ■ Chapter 8: Experimental Design and Heuristics �������������������������137 Analysis of Variance (ANOVA) ��������������������������������������������������������������137 One-Way ANOVA ���������������������������������������������������������������������������������������������������137 Two-Way (Multiple-Way) ANOVA ���������������������������������������������������������������������������137 Mixed-Design ANOVA ��������������������������������������������������������������������������������������������138 Multivariate ANOVA (MANOVA) ������������������������������������������������������������������������������138 F-Statistic and F-Distribution ��������������������������������������������������������������138 Fisher’s Principles ������������������������������������������������������������������������������������������������144 Plackett-Burman Designs��������������������������������������������������������������������146 Space Filling ����������������������������������������������������������������������������������������147 Full Factorial ����������������������������������������������������������������������������������������147 Halton, Faure, and Sobol Sequences ���������������������������������������������������148 A/B Testing ������������������������������������������������������������������������������������������148 Simple Two-Sample A/B Test ��������������������������������������������������������������������������������149 Beta-Binomial Hierarchical Model for A/B Testing ������������������������������������������������149 Feature/Variable Selection Techniques �����������������������������������������������151 Backwards and Forward Selection �����������������������������������������������������������������������151 Principal Component Analysis (PCA) ���������������������������������������������������������������������152 Factor Analysis �����������������������������������������������������������������������������������������������������154 Limitations of Factor Analysis �������������������������������������������������������������������������������155 Handling Categorical Data �������������������������������������������������������������������155 Encoding Factor Levels�����������������������������������������������������������������������������������������156 Categorical Label Problems: Too Numerous Levels ����������������������������������������������156 Canonical Correlation Analysis (CCA) ��������������������������������������������������������������������156 x

See more

The list of books you might like

Most books are stored in the elastic cloud where traffic is expensive. For this reason, we have a limit on daily download.