详情
本书侧重于R语言与深度学习的结合，全书分为12章，详细介绍了R语言在深度学习、神经网络建模方面的应用和案例，引导读者将这一学习过程变得具有实践性和实用性。本书还提供了一系列非常典型的商业案例，特别适合对深度学习理论和实践感兴趣的读者阅读和参考，也适合R程序员学习深度学习。
书名：深度学习企业实战——基于R语言
ISBN：978-7-115-51009-9
本书由人民邮电出版社发行数字版。版权所有，侵权必究。
您购买的人民邮电出版社电子书仅供您个人使用，未经授权，不得以任何方式复制和传播本书内容。
我们愿意相信读者具有这样的良知和觉悟，与我们共同保护知识产权。
如果购买者有侵权行为，我们可能对该用户实施包括但不限于关闭该帐号等维权措施，并可能追究法律责任。
著 [英] 尼格尔•刘易斯（N.D.Lewis）
译 邓世超
责任编辑 胡俊英
人民邮电出版社出版发行 北京市丰台区成寿寺路11号
邮编 100164 电子邮件 315@ptpress.com.cn
读者服务热线：(010)81055410
反盗版热线：(010)81055315
Simplified Chinese translation copyright ©2019 by Posts and Telecommunications Press.
ALL RIGHTS RESERVED
Deep Learning For Business With R, ISBN-13: 978-1537075044
by N.D. Lewis
Copyright © 2016 by N.D. Lewis
本书中文简体版由作者N.D. Lewis授权人民邮电出版社出版。未经出版者书面许可，对本书的任何部分不得以任何方式或任何手段复制和传播。
版权所有，侵权必究。
深度学习是机器学习的一个分支，它能够使计算机通过层次概念来学习经验和理解世界。同时，深度学习也是非常贴近AI的一个技术分支，得到了越来越多人的关注。本书侧重于R语言与深度学习的结合，旨在通过通俗易懂的语言和实用技巧的介绍，帮助读者了解深度学习在商业领域的应用。
本书包含12章，涉及基本的R编程技巧和深度学习原理，同时介绍了神经网络和深度学习在商业分析中的应用。除此之外，本书还介绍了神经网络的学习机制、激活函数等内容，并且给出了新闻分类、客户维系方法、消费预测、产品需求预测等实用策略。
本书注重实用性，不对读者做过多的技术要求，适合所有想通过R编程来了解深度学习，并对其商业化应用感兴趣的读者。
我特别要感谢：
我的妻子Angela，感谢她的耐心和不断鼓励；
我的女儿Deanna和Naomi，感谢她们为本书和我的网站拍摄了数百张照片；
本书的早期读者，感谢他们为我提供的宝贵建议。
深度学习就像拥有魔法一样在媒体上引起了轰动。但你该如何入门呢？本书可以带你完成一次轻松而有趣的旅程，在R中通过深度神经网络构建自己的业务模型。本书采用平实的语言，在R语言中提供了直观、实用、非数学的，且易于遵循的指南来传达最佳的理念，既包含出色的技术，又提供了可用的解决方案。
本书对读者无经验要求，假定读者从来没有学过线性代数，更不喜欢看到导数之类的东西，也不喜欢复杂的计算机代码，读者阅读本书的目的是希望通过通俗易懂的语言，了解如何使用深度神经网络以解决商业问题，并希望亲自动手实践一下。
快速上手：深度学习不仅仅是通过简单的步骤将数据处理为可操作的直观内容，本书作者还会告诉你这是如何完成的，甚至比你想象的容易。通过一个简单的教程，你将学习如何通过R语言构建可以解决商业问题的深度神经网络模型。一旦你掌握了该教程，就可以很容易地将自己的知识转化为符合实际需求的商业应用。
事半功倍：R语言简单易用，并且可以在所有主流操作系统上免费使用！本书的每一章都按步就班地介绍了深度神经网络的不同方面。在解决一些具有挑战性的实际业务问题时，你需要亲自动手实践一下。
本书是一本介绍深度学习在商业分析方面的入门读物，它将以通俗易懂的文字为你介绍如何利用深度学习提升商业价值。
无痛学习：本书是专门为那些希望在短时间内掌握如何使用深度神经网络的人而量身打造的。它利用强大的R编程语言为读者提供必要的工具，从而最大限度地提高读者的认知，加深读者对上述知识的理解，继而提升其在数据分析项目中的应用能力。
快马加鞭：如果你希望加快学习进度并学以致用，那么本书就是一个很好的入门方案，它揭示了深度神经网络的工作原理，并为你提供了一个易于遵循的实践指南，告诉你如何使用强大且免费的R编程语言快速地构建深度神经网络。
轻松入门：本书包含了新手入门所需的一切。它是属于你的实践手册和战术指南，只需按步就班地遵循其中的步骤就有可能从新手迈入专家的行列。
学习本书，意味着你使用深度神经网络方面的技能将获得重大突破。
现在市面上深度学习方面的图书越来越多，那么为什么还有人要继续写另外的呢？我一直对深度学习的概念及其商业应用很着迷。它提供了很多新的可能性，可以从数据中提取很多有用的见解。现在，随着R语言的兴起，这些工具比以往更容易使用。很多知名的科技企业已经部署了深度学习技术来帮助它们解决业务问题。但是，现在很多教科书侧重于技术细节，并且篇幅过长，偏数学化，对于应用案例的讲述反而太少。
本书的目标是向读者介绍深度神经网络中各种强大的应用工具。我的愿望是帮助读者通过R语言开发得心应手的实用工具。本书通过使用真实数据和R编程语言阐述了深度学习技术在解决商业问题上的潜力，它采用通俗易懂的语言避免涉及过多的数学知识。
本书内容通俗易懂，读者不需要是一名专业的统计员或编程专家，就能理解本书讨论的实用理念并能够直接从解决方案中受益。对于希望将深度学习工具应用于商业问题的读者来说，目前市面上有关这方面的书籍仍难觅踪迹。本书的主要目标是鼓励读者广泛采用深度学习技术来解决企业面临的问题。
本书包含了构建深度神经网络的所有重要内容，从具体的商业插图，到按部就班的R示例，再到读者可能在实际工作中遇到的问题。本书收集了经过精简处理的最佳实用工具、理念和可能用到的提示技巧，其中包括一系列真实的商业分析案例，它们用于说明业务问题的特殊性和深度神经网络技术用于解决这类问题的强大特性。
实践方法是贯穿本书的重点，它们已被证明能够提供出色的性能，并能够提高清晰度和效率。出于这个原因，本书在相关章节中包含了很多技术细节。
本书旨在为读者提供一条捷径，它将逐步向读者展示如何在免费且流行的R语言统计软件包中构建各种模型。
这些示例都有明确的说明，并且可以直接在R语言开发环境下输入并显示结果。R语言新手也可以轻松地使用本书，而无需任何预备知识。最好通过输入示例中的代码并阅读代码中的注释来理解它们。可以在R Project网站免费下载适用于初学者的R语言程序和教程。如果读者对R语言一无所知，可前往CRAN网站查看R语言的简易教程，这些教程对于R语言新手真的非常棒。
最后，数据科学最终是关乎现实生活和真实的人的，也是力求将机器学习算法应用于实际问题，以便提供有用的解决方案。无论你是谁，来自何处，你的背景或学历是什么，你都有能力掌握本书介绍的方法。有了适当的软件工具、足够的耐心和正确的指导，我个人认为深度学习方法可以被任何对它感兴趣的人所掌握。
古希腊哲学家伊壁鸠鲁曾经说过：
“我写东西并不是为了取悦大众，而是为了你，我们每个人都有足够的观众。”
尽管本书中的想法可能会传递给万千读者，但是我仍然努力遵循伊壁鸠鲁的原则——让你阅读的每一页内容都非常有意义。
当读完本书的时候，希望你将能够把本书讨论过的某些方法付诸实践，你会因为在R中能够快速简单地将这些技术应用和部署而感到惊讶。只需几次实战应用，你将很快成为一名熟练的执业人员。因此，建议你将这些阅读到的内容付诸实践。
本书由异步社区出品，社区（https://www.epubit.com/）为您提供相关资源和后续服务。
要获得本书的配套资源，请在异步社区本书页面中单击
，跳转到下载界面，按提示进行操作即可。注意，为保证购书读者的权益，该操作会给出相关提示，要求输入提取码进行验证。
如果您是教师，希望获得教学配套资源，请在社区本书页面中直接联系本书的责任编辑。
作者和编辑尽最大努力来确保书中内容的准确性，但难免会存在疏漏。欢迎您将发现的问题反馈给我们，帮助我们提升图书的质量。
当您发现错误时，请登录异步社区，按书名搜索，进入本书页面，单击“提交勘误”，输入勘误信息，单击“提交”按钮即可。本书的作者和编辑会对您提交的勘误进行审核，确认并接受后，您将获赠异步社区的100积分。积分可用于在异步社区兑换优惠券、样书或奖品。
我们的联系邮箱是contact@epubit.com.cn。
如果您对本书有任何疑问或建议，请您发邮件给我们，并请在邮件标题中注明本书书名，以便我们更高效地做出反馈。
如果您有兴趣出版图书、录制教学视频，或者参与图书翻译、技术审校等工作，可以发邮件给我们；有意出版图书的作者也可以到异步社区在线提交投稿（直接访问www.epubit.com/selfpublish/submission即可）。
如果您是学校、培训机构或企业，想批量购买本书或异步社区出版的其他图书，也可以发邮件给我们。
如果您在网上发现有针对异步社区出品图书的各种形式的盗版行为，包括对图书全部或部分内容的非授权传播，请您将怀疑有侵权行为的链接发邮件给我们。您的这一举动是对作者权益的保护，也是我们持续为您提供有价值的内容的动力之源。
“异步社区”是人民邮电出版社旗下IT专业图书社区，致力于出版精品IT技术图书和相关学习产品，为作译者提供优质出版服务。异步社区创办于2015年8月，提供大量精品IT技术图书和电子书，以及高品质技术文章和视频课程。更多详情请访问异步社区官网https://www.epubit.com。
“异步图书”是由异步社区编辑团队策划出版的精品IT专业图书的品牌，依托于人民邮电出版社近30年的计算机图书出版积累和专业编辑团队，相关图书在封面上印有异步图书的LOGO。异步图书的出版领域包括软件开发、大数据、AI、测试、前端、网络技术等。
异步社区
微信服务号
对知识的投资最终会得到最大的回报。
——本杰明·富兰克林
我希望读者可以花最少的时间从本书获得最大的收益。你可以通过输入示例、阅读参考资料和进行实验达到此目的。通过阅读大量的示例和参考资料，你将扩大知识面、加深感性认识并增强实践技能。
至少有其他两种方式来使用本书。你可以把它作为一个有用的参考工具。找到你感兴趣的章节，并快速查看在R中执行的计算结果。为了获得最佳效果，请输入文本中给出的代码示例，检查结果，然后将示例调整为你自己的数据。此外，浏览真实世界的例子、插图、案例、技巧和笔记来激发自己的灵感。这对于锻炼整体性思维非常有用，也可以作为相关示例、案例研究和文献的线索。
温馨提示
如果你是R新手或者有一段时间没有使用它了，通过阅读CRAN网站非常棒的免费入门教程，相信你很快就会跟上进度。
如果你采用的是Windows系统，那么可以使用installr软件包更新到最新的R语言版本。输入如下代码：
如果文本中提及的软件包还未安装到你的计算机上，那么可以通过键入‘install.packages（“软件包名”）’来下载它。比如，为了下载名为deeplearning的软件包，可以在R控制台上输入如下内容：
install.packages(" neuralnet " )install.packages("installr")
installr::updateR()一旦软件包安装成功，你就可以调用它。可以通过在R控制台中输入以下内容完成此操作：
require(neuralnet)neuralnet软件包现在就可以使用了。你只需在启动R会话时，输入上述内容即可。
温馨提示
无法记住两小时前输入的代码？别担心，我也记不住！假如你登录的是相同的R会话，那么只需简单地输入下列代码：
上述命令将显示当前会话中命令行的所有输入历史记录。
R中的函数通常具有多个参数。在本书的示例中，我们主要关注快速模型开发的关键参数。有关函数中可用的附加参数信息，可以在R控制台中输入?function_name.。比如，为了找出函数prcomp中的其他参数，可以输入以下内容：
?prcomphistory(Inf)函数和其他参数的详细信息将显示在你的默认Web浏览器中。在拟合完感兴趣的模型后，强烈建议你尝试一下其他参数。
我还在本书的R示例代码中包含了set.seed方法，以帮助读者精确地重现页面上显示的结果。
R软件系统适用于所有主流的操作系统。由于Windows系统非常流行，所以本书的示例将使用Windows环境下的R版本。
温馨提示
在32位Windows机器上，R能够使用的最大内存是3GB，不管机器的实际内存是多少。使用如下代码可以检查可用内存的数量：
使用下列代码可以将所有对象从内存中移除：
你不必等到阅读完全书之后才将一些想法应用到自己的分析中，而是几乎可以立即切身体验到它们的强大功效。你可以直接阅读自己感兴趣的部分，并立即在自己的研究和分析工作中对它们进行测试、构建和使用。
温馨提示
memory.limit()rm(list=ls())如本书书名所示，本书是关于理解和使用深度学习模型的。更准确地说，本书试图为你提供通过R轻松地快速构建这些模型所需的工具。本书旨在为读者提供必要的工具来完成这项工作，并提供足够的插图来帮助读者在感兴趣的领域考虑真实的应用场景。我希望这个过程不仅有益而且令人愉快。
深度学习对于需要分类或预测的领域非常有用。任何对商业、工业或研究的预测和分类问题感兴趣的人，都应该将深度学习加入他们的工具箱。从本质上来说，只要拥有足够的历史数据或需要预测和分类的案例，就可以构建深度学习模型[1]。
[1] 当你在自己的专业领域成功使用这些模型时，请写信告知我，我非常乐意听取你的意见。可通过info@NigelDLewis.com与我联系。
商业就是通过为人们解决问题而获利。
——保罗·马斯登
商业就是通过解决问题来满足需求而创造价值的行为。创建的价值可以是服务的形式，比如教育培训或者类似计算机屏幕这样的产品。及时支付超过服务或产品成本的报酬，对企业的盈利能力和长期生存至关重要。正如万豪国际集团的创始人J.W.Marriott所解释的那样[2]：
“公司的核心使命——让背井离乡的人感到宾至如归，而且真正感受到温暖——将之作为一贯的宗旨和理想……这个目标明确地表明该公司的理想不仅仅是赚钱，还有更多根本的原因。当然，它也必须赚钱。伟大的公司会创造巨大的财富，但伟大的公司不会因追求利润而改变它们的初衷。”
监控盈利能力的一个重要方面是收集业务数据。对运营成本、收入和利润的记录自古以来一直保持不变。在古巴比伦，文书记录了这座城市的商业状况。他们仔细地注意到，一吨锡银可以买到多少大宗商品，如大麦、枣、芥菜、豆蔻、芝麻和羊毛。记录被刻在药片、棱柱、黏土或石膏柱、方尖碑上，甚至蚀刻在雄伟的宫殿和巨大的墙壁上[3]。图2-1显示了用于保存数字数据的巴比伦黏土片的图像[4]。今天，商业信息是以电子方式采集并存储到计算机数据库中的。
图2-1 来自古巴比伦的被称为Plimpton 322的黏土片
企业收集有关其自身活动、客户、竞争对手的数据，也许还会收集有关整体经济和监管环境的数据。如图2-2所示，可以成功“挖掘”这些数据的大部分内容，以提供可用于为客户创造额外价值并为业务创造利润的商业智能。
图2-2 数据——分析价值创造周期
比如一家在电信市场参与竞争的企业，它将面临竞争对手试图争夺客户的激烈竞争。该企业收集了有关客户套餐的类型、本地和国际通话的数量和持续时长、客户拨打客服电话以及客户使用该企业通信服务的时间长度等数据。分析这些数据，有助于确定哪些客户会转移到其他服务提供商的可能性比较高。它可能有助于为最大限度地减少客户流失提供对策，或协助高级管理人员决定它们希望对哪些客户进行策略定位。这些见解有助于价值创造过程，从而产生更好、更以客户为中心的产品和更高的收益率。正如万豪集团的创始人J.W.Marriott在业务中观察到的那样：
“如果你希望产生一致的结果，你需要弄清楚如何去做，写下来，练习它，并不断改进，直到没有什么需要改进。”
机器学习，尤其是神经网络，越来越多地用于帮助企业实现这一过程的每一步，而且往往都取得了卓越的成功。
在过去几十年里，神经网络自身已经确立了一套实用且科学的预测方 法[5]。它们的出现大大改善了预测指标的准确性，并且神经网络训练方法的逐步完善对于商业和科学研究都是一种持续的促进[6]。1992年春天，当我完成我的经济学硕士论文时，第一次接触它们。在查林街十字路口的一家旧书店里，我偶然发现了Russell Beale 和Tom Jackson[7]编写的一本名为《神经计算》的书。我一口气读完了这本书，并决定建立一个神经网络来预测汇率的变动。
在使用GW-BASIC编写程序的几天后，我的神经网络模型已经准备好进行测试。我启动了我的Amstrad 2286计算机，并让它对数据进行分解。三天半后，它交付了结果。这些数据结果与各种各样的时间序列统计模型相比较，超越了我所能找到的所有汇率变动的经济理论。我摒弃了经济理论，但却迷上了预测分析！自那时起，我就一直在建立、部署和训练神经网络以及其他奇妙的预测分析模型。
神经网络可以用来辅助解决各种各样的问题。这是因为从理论上来说，它们可以计算任何可以计算的功能。在实践中，神经网络对于能够容忍某些错误且包含大量可用的历史数据或示例数据的问题特别有用，但是难以应用于硬性规则和快速规则的问题。
神经网络由许多互相连接的节点构成，这些节点被称为神经元，如图2-3所示。它们通常会被排列成多层。一个典型的前馈神经网络至少包含一个输入层、一个隐藏层和一个输出层。输入层节点对应于你希望输入到神经网络中的特征或属性的数量，明确类似于在线性回归模型中使用的协变量（独立变量）。输出层节点的数量与你希望预测或分类的项目数量相对应。隐藏层节点通常用于对原始输入属性进行非线性变换。
它们的最简单形式是，前馈神经网络通过网络提供属性信息来进行预测，其输出对于回归是连续的，对于分类是离散的。
图2-3表示用于预测儿童年龄的典型前馈神经网络的拓扑结构。它有两个输入节点、一个包含三个节点的隐藏层以及一个输出节点。输入节点将属性（身高，体重）馈送到网络中。每个属性都有一个输入节点。信息被正向输送到隐藏层中。在其中的每个节点执行数学运算，然后被馈送到输出节点。输出节点计算此数据的加权总和来预测儿童年龄。它被称为前馈神经网络，因为信息在网络中是正向传播的。
图2-3 一个基本的神经网络
模式的精确预测依赖于每项业务的战略、战术和运营计划的核心。预测经常用于金融、市场营销以及产品和人力资源管理。成功的价值创造在于识别模式、设计解决方案以从模式中获利并重复这一过程。能坚持做好这一点的企业将能够取得长期的成功。
最简单的模式在识别和鉴定方面通常是线性和平滑非线性的。图2-4展示了汽车价格和制造年份之间的关系。
图2-4 汽车价格与制造年份之间的关系
大部分情况下，即使分析诸如价格和单位销量这样常见的属性，它们之间的关系也是非常复杂的，如图2-5所示。该图显示了洗涤剂的单价和销售量之间的关系。从图中可知，2～2.25美元的价格区间和2.75～3美元的价格区间存在扭结，是非线性的。
图2-5 度假村出售的洗涤剂单价和销售量（每周）之间的关系
模式也可以随时间发生变化。比如，图2-6展示了一家小披萨店的电话通话量。在工作日期间呈上升趋势，周末达到峰值。一般来说，随时间变化的数据称为时间序列数据。时间序列数据通常表现出随着时间的推移目标变量稳步增长（或减少）的趋势。季节模式围绕观察点［诸如一周内的工作日（如图2-6中的比萨店）、一年中的某月或一天中的某个时间段］为周期进行波动。时间序列数据也可能具有循环模式，其中观测值在很长一段时间内保持上升或下降趋势。
图2-6 一家小披萨店周一到周日订餐电话的数量
图2-7是非常典型的时间序列业务数据，显示了美国新型独栋住宅的月销售量（见图2-7a）以及澳大利亚的月度发电量（见图2-7b）。图2-8将这
图2-7 新型独栋住宅销售量和发电量的时间序列数据
些时间序列分解成各自独立的部分。
图2-8 原始的时间序列和预估组件
商业模式往往是复杂的、多变量的，并且高度非线性。
（1）图2-9显示了5种洗涤剂品牌的价格分布。变量之间的总体多元关系并不容易从配对图中辨别出来。
图2-9 5种洗涤剂品牌价格之间的关系
（2）图2-10显示了1995～2012年中国煤炭消费的总量[8]。虽然数据在时间上有所不同，但经纬度增加了解释相关性的另一个复杂 因素。
图2-10 1995～2012年中国境内根据经纬度统计得出的煤炭消费路径
（图片引用自孙玉环教授等的论文，详情可以参考参考资料[8]）
温馨提示
深度神经网络会采用多层抽象，能够将表面上不相关的事物关联起来。它们可以通过复杂性来揭示有用的关系，并检测有效的决策规则。
神经网络特别适合处理两种模式识别问题——回归和分类。一个有效的预测模型需要选择适当的属性。
属性或特征是被认为具有解释力的变量。这仅仅意味着它们可以帮助提高预测的准确性。比如，消费品企业可能会将预估收入、性别和年龄作为属性，将其纳入模型中，以对潜在的优质产品购买者进行分类。获得高分的客户可能因此被定位并被投放特定广告。
在回归中，其主要目标是预测或预估目标变量的值。比如，自行车租赁企业可能对预测其自行车的日常需求感兴趣。自行车路线上的商户可能也会对这类预测感兴趣。与天气预报（下雨、晴天、高温、寒冷）和工作日相关的属性可能是重要的预测变量。目标是通过预测模型整合这些属性，准确预测未来对自行车的需求。
温馨提示
回归的目标是使用一组属性变量（也称为预测变量或协变量）来预测因变量（也称为响应变量或目标变量）。
在分类中，目标是将对象分配给特定的类。比如，一家媒体企业可能对文章和故事的潜在受欢迎程度的分类感兴趣。大家都喜欢的故事有可能转发量更大。在这种情况下，媒体企业可能会创建两个类别（高转发量和低转发量），目标是预测新文章的可能类别。
图2-11进一步阐释了这个示例。一篇文章在媒体频道即将发布，发布日期和文章关键词将被馈入神经网络。预测结果是文章受欢迎度程度的高低。
图2-11 属性、预测模型和分类结果之间的关系
[2] J. W.的书非常棒，其书名为《服务精神：万豪之道》（The Spirit to Serve: Marriott's Way），约翰·威拉德和凯思·安·布朗著，哈伯·柯林斯出版社，2000年出版。
[3] 关于古代记录的精彩描述，可参阅布雷斯特和詹姆斯·亨利编著的《古代埃及记录：第20到26王朝（卷4）》（Ancient Records of Egypt: The twentieth to the twenty-sixth dynasties, Vol. 4），芝加哥大学出版社，1906年出版。
[4] Plimpton 322黏土片的图片包含一个古巴比伦数学的示例。
[5] 可以追溯到20世纪40年代的历史概述，可以在Yadav、Neha、Anupam Yadav和Manoj Kumar的书中找到，书名为《微分方程的神经网络方法介绍》（An Introduction to Neural Network Methods for Differential Equations），施普林格荷兰出版社，2015年出版。
[6] 关于早期在企业中使用神经网络的综述，可以参考Vellido、Alfredo、Paulo JG Lisboa和J. Vaughan的论文《Neural networks in business: a survey of applications（1992–1998）》。
[7] 由Beale、Russell和Tom Jackson编写的《神经网络计算介绍》（Neural Computing—an introduction），CRC出版社，1990年出版。
[8] 详情可以参考孙玉环教授等在《Sustainability》发表的论文《Dynamic Factor Analysis of Trends in Temporal–Spatial Patterns of China’s Coal Consumption》。
