Keras之父、谷歌人工智能研究员弗朗索瓦·肖莱执笔，深度学习领域力作。
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。
版权说明：本电子书已获得正版授权，由出版社通过知传链发行。
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
Keras之父、谷歌人工智能研究员弗朗索瓦·肖莱执笔，深度学习领域力作。
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
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...
电子书
（1）大量图例，简单易懂。作者亲自绘制了大量插图，力求还原深度学习的算法思想，分解和剖析晦涩的算法，用图例来表示复杂的问题。生动的图例也能给读者带来阅读乐趣，快乐地学习算法知识...
电子书
一本书入门计算机视觉，将深度学习理论融入视觉识别案例，搭建理论与实践的桥梁。
电子书
《机器学习实战》面向日常任务的高效实战内容，介绍并实现机器学习的主流算法。