集智俱乐部成员共同创作，全面介绍人工智能的深度科普书。
电子书
编辑推荐
实战自然语言处理及深度学习，涵盖基础知识与实际应用。
内容简介
本书是介绍自然语言处理（NLP）和深度学习的实战书。NLP已成为深度学习的核心应用领域，而深度学习是NLP研究和应用中的必要工具。本书分为3部分：第一部分介绍NLP基础，包括分词、TF-IDF向量化以及从词频向量到语义向量的转换；第二部分讲述深度学习，包含神经网络、词向量、卷积神经网络（CNN）、循环神经网络（RNN）、长短期记忆（LSTM）网络、序列到序列建模和注意力机制等基本的深度学习模型和方法；第三部分介绍实战方面的内容，包括信息提取、问答系统、人机对话等真实世界系统的模型构建、性能挑战以及应对方法。本书面向中高级Python开发人员，兼具基础理论与编程实战，是现代NLP领域从业者的实用参考书。
章节目录
- 版权信息
- 版 权
- 版权声明
- 内容提要
- 译者简介
- 译者序
- 序
- 前 言
- 致 谢
- 关于本书
- 关于作者
- 关于封面插画
- 资源与支持
- 第一部分 处理文本的机器
- 第1章 NLP概述
- 1.1 自然语言与编程语言
- 1.2 神奇的魔法
- 1.2.1 会交谈的机器
- 1.2.2 NLP中的数学
- 1.3 实际应用
- 1.4 计算机“眼”中的语言
- 1.4.1 锁的语言（正则表达式）
- 1.4.2 正则表达式
- 1.4.3 一个简单的聊天机器人
- 1.4.4 另一种方法
- 1.5 超空间简述
- 1.6 词序和语法
- 1.7 聊天机器人的自然语言流水线
- 1.8 深度处理
- 1.9 自然语言智商
- 1.10 小结
- 第2章 构建自己的词汇表——分词
- 2.1 挑战（词干还原预览）
- 2.2 利用分词器构建词汇表
- 2.2.1 点积
- 2.2.2 度量词袋之间的重合度
- 2.2.3 标点符号的处理
- 2.2.4 将词汇表扩展到n -gram
- 2.2.5 词汇表归一化
- 2.3 情感
- 2.3.1 VADER：一个基于规则的情感分析器
- 2.3.2 朴素贝叶斯
- 2.4 小结
- 第3章 词中的数学
- 3.1 词袋
- 3.2 向量化
- 向量空间
- 3.3 齐普夫定律
- 3.4 主题建模
- 3.4.1 回到齐普夫定律
- 3.4.2 相关度排序
- 3.4.3 工具
- 3.4.4 其他工具
- 3.4.5 Okapi BM25
- 3.4.6 未来展望
- 3.5 小结
- 第4章 词频背后的语义
- 4.1 从词频到主题得分
- 4.1.1 TF-IDF向量及词形归并
- 4.1.2 主题向量
- 4.1.3 思想实验
- 4.1.4 一个主题评分算法
- 4.1.5 一个LDA分类器
- 4.2 潜在语义分析
- 思想实验的实际实现
- 4.3 奇异值分解
- 4.3.1 左奇异向量U
- 4.3.2 奇异值向量S
- 4.3.3 右奇异向量V T
- 4.3.4 SVD矩阵的方向
- 4.3.5 主题约简
- 4.4 主成分分析
- 4.4.1 三维向量上的PCA
- 4.4.2 回归NLP
- 4.4.3 基于PCA的短消息语义分析
- 4.4.4 基于截断的SVD的短消息语义分析
- 4.4.5 基于LSA的垃圾短消息分类的效果
- 4.5 潜在狄利克雷分布（LDiA）
- 4.5.1 LDiA思想
- 4.5.2 基于LDiA主题模型的短消息语义分析
- 4.5.3 LDiA+LDA=垃圾消息过滤器
- 4.5.4 更公平的对比：32个LDiA主题
- 4.6 距离和相似度
- 4.7 反馈及改进
- 线性判别分析
- 4.8 主题向量的威力
- 4.8.1 语义搜索
- 4.8.2 改进
- 4.9 小结
- 第二部分 深度学习（神经网络）
- 第5章 神经网络初步（感知机与反向传播）
- 5.1 神经网络的组成
- 5.1.1 感知机
- 5.1.2 数字感知机
- 5.1.3 认识偏置
- 5.1.4 误差曲面
- 5.1.5 不同类型的误差曲面
- 5.1.6 多种梯度下降算法
- 5.1.7 Keras：用Python实现神经网络
- 5.1.8 展望
- 5.1.9 归一化：格式化输入
- 5.2 小结
- 第6章 词向量推理（Word2vec）
- 6.1 语义查询与类比
- 类比问题
- 6.2 词向量
- 6.2.1 面向向量的推理
- 6.2.2 如何计算Word2vec表示
- 6.2.3 如何使用gensim.word2vec模块
- 6.2.4 生成定制化词向量表示
- 6.2.5 Word2vec和GloVe
- 6.2.6 fastText
- 6.2.7 Word2vec和LSA
- 6.2.8 词关系可视化
- 6.2.9 非自然词
- 6.2.10 利用Doc2vec计算文档相似度
- 6.3 小结
- 第7章 卷积神经网络（CNN）
- 7.1 语义理解
- 7.2 工具包
- 7.3 卷积神经网络
- 7.3.1 构建块
- 7.3.2 步长
- 7.3.3 卷积核的组成
- 7.3.4 填充
- 7.3.5 学习
- 7.4 狭窄的窗口
- 7.4.1 Keras实现：准备数据
- 7.4.2 卷积神经网络架构
- 7.4.3 池化
- 7.4.4 dropout
- 7.4.5 输出层
- 7.4.6 开始学习（训练）
- 7.4.7 在流水线中使用模型
- 7.4.8 前景展望
- 7.5 小结
- 第8章 循环神经网络（RNN）
- 8.1 循环网络的记忆功能
- 8.1.1 随时间反向传播算法
- 8.1.2 不同时刻的权重更新
- 8.1.3 简要回顾
- 8.1.4 难点
- 8.1.5 利用Keras实现循环神经网络
- 8.2 整合各个部分
- 8.3 自我学习
- 8.4 超参数
- 8.5 预测
- 8.5.1 有状态性
- 8.5.2 双向RNN
- 8.5.3 编码向量
- 8.6 小结
- 第9章 改进记忆力：长短期记忆网络（LSTM）
- 9.1 长短期记忆（LSTM）
- 9.1.1 随时间反向传播
- 9.1.2 模型的使用
- 9.1.3 脏数据
- 9.1.4 “未知”词条的处理
- 9.1.5 字符级建模
- 9.1.6 生成聊天文字
- 9.1.7 进一步生成文本
- 9.1.8 文本生成的问题：内容不受控
- 9.1.9 其他记忆机制
- 9.1.10 更深的网络
- 9.2 小结
- 第10章 序列到序列建模和注意力机制
- 10.1 编码-解码架构
- 10.1.1 解码思想
- 10.1.2 似曾相识？
- 10.1.3 序列到序列对话
- 10.1.4 回顾LSTM
- 10.2 组装一个序列到序列的流水线
- 10.2.1 为序列到序列训练准备数据集
- 10.2.2 Keras中的序列到序列模型
- 10.2.3 序列编码器
- 10.2.4 思想解码器
- 10.2.5 组装一个序列到序列网络
- 10.3 训练序列到序列网络
- 生成输出序列
- 10.4 使用序列到序列网络构建一个聊天机器人
- 10.4.1 为训练准备语料库
- 10.4.2 建立字符字典
- 10.4.3 生成独热编码训练集
- 10.4.4 训练序列到序列聊天机器人
- 10.4.5 组装序列生成模型
- 10.4.6 预测输出序列
- 10.4.7 生成回复
- 10.4.8 与聊天机器人交谈
- 10.5 增强
- 10.5.1 使用装桶法降低训练复杂度
- 10.5.2 注意力机制
- 10.6 实际应用
- 10.7 小结
- 第三部分 进入现实世界（现实中的NLP挑战）
- 第11章 信息提取（命名实体识别与问答系统）
- 11.1 命名实体与关系
- 11.1.1 知识库
- 11.1.2 信息提取
- 11.2 正则模式
- 11.2.1 正则表达式
- 11.2.2 把信息提取当作机器学习里的特征提取任务
- 11.3 值得提取的信息
- 11.3.1 提取GPS位置
- 11.3.2 提取日期
- 11.4 提取人物关系（事物关系）
- 11.4.1 词性标注
- 11.4.2 实体名称标准化
- 11.4.3 实体关系标准化和提取
- 11.4.4 单词模式
- 11.4.5 文本分割
- 11.4.6 为什么split('.!?')函数不管用
- 11.4.7 使用正则表达式进行断句
- 11.5 现实世界的信息提取
- 11.6 小结
- 第12章 开始聊天（对话引擎）
- 12.1 语言技能
- 12.1.1 现代方法
- 12.1.2 混合方法
- 12.2 模式匹配方法
- 12.2.1 基于AIML的模式匹配聊天机器人
- 12.2.2 模式匹配的网络视图
- 12.3 知识方法
- 12.4 检索（搜索）方法
- 12.4.1 上下文挑战
- 12.4.2 基于示例检索的聊天机器人
- 12.4.3 基于搜索的聊天机器人
- 12.5 生成式方法
- 12.5.1 聊聊NLPIA
- 12.5.2 每种方法的利弊
- 12.6 四轮驱动
- Will的成功
- 12.7 设计过程
- 12.8 技巧
- 12.8.1 用带有可预测答案的问题提问
- 12.8.2 要有趣
- 12.8.3 当其他所有方法都失败时，搜索
- 12.8.4 变得受欢迎
- 12.8.5 成为连接器
- 12.8.6 变得有情感
- 12.9 现实世界
- 12.10 小结
- 第13章 可扩展性（优化、并行化和批处理）
- 13.1 太多（数据）未必是好事
- 13.2 优化NLP算法
- 13.2.1 索引
- 13.2.2 高级索引
- 13.2.3 基于Annoy的高级索引
- 13.2.4 究竟为什么要使用近似索引
- 13.2.5 索引变通方法：离散化
- 13.3 常数级内存算法
- 13.3.1 gensim
- 13.3.2 图计算
- 13.4 并行化NLP计算
- 13.4.1 在GPU上训练NLP模型
- 13.4.2 租与买
- 13.4.3 GPU租赁选择
- 13.4.4 张量处理单元TPU
- 13.5 减少模型训练期间的内存占用
- 13.6 使用TensorBoard了解模型
- 如何可视化词嵌入
- 13.7 小结
- 附录A 本书配套的NLP工具
- A.1 Anaconda3
- A.2 安装nlpia
- A.3 集成开发环境
- A.4 Ubuntu包管理器
- A.5 Mac
- A.5.1 一个Mac包管理器
- A.5.2 一些工具包
- A.5.3 准备工作
- A.6 Windows
- 虚拟化
- A.7 NLPIA自动化
- 附录B 有趣的Python和正则表达式
- B.1 处理字符串
- B.1.1 字符串类型（str和bytes）
- B.1.2 Python中的模板（.format()）
- B.2 Python中的映射（dict和OrderedDict）
- B.3 正则表达式
- B.3.1 “|”——或
- B.3.2 “()”——分组
- B.3.3 “[]”——字符类
- B.4 代码风格
- B.5 技巧
- 附录C 向量和矩阵（线性代数基础）
- 向量
- 距离
- 附录D 机器学习常见工具与技术
- D.1 数据选择和避免偏见
- D.2 模型拟合程度
- D.3 数据集划分
- D.4 交叉拟合训练
- D.5 抑制模型
- D.5.1 正则化
- D.5.2 dropout
- D.5.3 批归一化
- D.6 非均衡训练集
- D.6.1 过采样
- D.6.2 欠采样
- D.6.3 数据增强
- D.7 性能指标
- D.7.1 分类的衡量指标
- D.7.2 回归的衡量指标
- D.8 专业技巧
- 附录E 设置亚马逊云服务（AWS）上的GPU
- 创建AWS GPU实例的步骤
- 成本控制
- 附录F 局部敏感哈希
- F.1 高维向量的区别
- F.1.1 向量空间上的索引与哈希
- F.1.2 关于高维的思考
- F.2 高维索引
- F.2.1 局部敏感哈希
- F.2.2 近似最近邻
- F.3 推文点赞预测
- 资源
- 词汇表
展开全部
自然语言处理实战是2020年由人民邮电出版社出版,作者[美]霍布森·莱恩。
温馨提示：
1.本电子书已获得正版授权，由出版社通过知传链发行。
2.该电子书为虚拟物品，付费之后概不接收任何理由退款。电子书内容仅支持在线阅读，不支持下载。
3.您在本站购买的阅读使用权仅限于您本人阅读使用，您不得/不能给任何第三方使用，由此造成的一切相关后果本平台保留向您追偿索赔的权利！版权所有，后果自负！
得书感谢您对《自然语言处理实战》关注和支持，如本书内容有不良信息或侵权等情形的，请联系本网站。
电子书
电子书
在机器学习算法的实际应用中，我们不仅要知道算法的原理，也要了解如何评估算法上线服务的可靠性。
电子书
TensorFlow是谷歌公司开发的深度学习框架，也是目前深度学习的主流框架之一。
电子书
一本书带你读懂ChatGPT背后的技术，掌握NLP迁移学习的奥秘。
电子书
适读人群 ：本书适合相关专业的在校学生检查和加强对所学知识点的掌握程度，求职者快速复习和补充相关的深度学习知识，以及算法工程师作为工具书随时参阅。此外，非相关专业、但对人工智能或深度学习感兴趣的研究人员，也可以通过本书大致了解一些热门的人工智能应用、深度学习模型背后的核心算法及其思想。
不可不读的深度学习面试宝典《百面机器学习》姊妹篇。
Hulu诚意出品，全面收录135道算法面试题。
一线大厂算法工程师合力创作，直击面试要点。
从算法与模型到多领域应用，全方位解读深度学习。
诚意推荐
吴军 / 《浪潮之巅》《数学之美》作者
华先胜 / 阿里巴巴达摩院人工智能中心主任，IEEE Fellow
李沐 / AWS首席科学家，《动手学深度学习》作者
孙茂松 / 清华大学人工智能研究院常务副院长
本书适合相关专业的在校学生检查和加强对所学知识点的掌握程度，求职者快速复习和补充相关的深度学习知识，以及算法工程师作为工具书随时参阅。此外，非相关专业、但对人工智能或深度学习感兴趣的研究人员，也可以通过本书大致了解一些热门的人工智能应用、深度学习模型背后的核心算法及其思想。
电子书
在数字经济时代，数据是重要的资源要素；同时，新的数据又在源源不断地产生，企业面临的一个基本问题就是如何管理和利用这些数据，这对传统的数据处理方法与分析框架提出了新的诉求和挑战，也是全球业界与学界为关心的问题。为了满足大数据时代对信息的快速处理的需求，一个分布式的开源计算框架Apache Spark应运而生。经过十年的发展，Spark已经成为目前大数据处理的标杆，在整个业界得到了广泛的使用。对大数据工程师来说，用Spark构建数据管道无疑是很好的选择，而对数据科学家来说，Spark也是高效的数据探索工具。
本书基于Spark发行版2.4.4写作而成，包含大量的实例与一个完整项目，技术理论与实战相结合，层次分明，循序渐进。本书不仅介绍了如何开发Spark应用的基础内容，包括Spark架构、Spark编程、SparkSQL、Spark调优等，还探讨了Structured Streaming、Spark机器学习、Spark图挖掘、Spark深度学习、Alluxio系统等高级主题，同时完整实现了一个企业背景调查系统，借鉴了数据湖与Lambda架构的思想，涵盖了批处理、流处理应用开发，并加入了一些开源组件来满足业务需求。学习该系统可以使读者从实战中巩固所学，并将技术理论与应用实战融会贯通。
本书适合准备学习Spark的开发人员和数据分析师，以及准备将Spark应用到实际项目中的开发人员和管理人员阅读，也适合计算机相关专业的高年级本科生和研究生学习和参考，对于具有一定的Spark使用经验并想进一步提升的数据科学从业者也是很好的参考资料。
电子书
Go是谷歌公司为了解决重大问题而设计的一种小型编程语言。完成大型项目需要大型团队，而大型团队中团队成员的经验水平往往各不相同。Go是一种小巧却功能强大的语言，它能够被任何人理解和使用，无论其经验如何。
快速、现代的编程语言能让业余爱好者、初学者和专业人员都受益。你需要的正是这样的语言。本书针对Go语言基础知识提供了实操性的指导，使你能够掌握Go语法，使用类型和函数，探索状态和并发等更重要的概念，并通过大量练习来巩固学到的知识。
本书包括以下内容：
●切片、接口、指针和并发等重要语言概念；
●地鼠太空航行、火星探测器、文本加密以及人类繁衍模拟等7个单元实验；
●无须安装即可在Go Playground中运行的示例。
本书面向所有熟悉计算机编程以及渴望获得这一技能的人。
电子书
一本兼顾理论基础和工程实践的入门级教程。
