面向自然語言處理的深度學習：用Python創建神經網絡 ( 簡體 字) |
| 作者：帕拉什·戈雅爾（Palash Goyal） 〔印〕 蘇米特·潘迪（Sumit Pandey） 著 卡蘭·賈恩（Karan Jain） | 類別：1. -> 程式設計 -> 自然語言
2. -> 程式設計 -> Python |
| 譯者： |
| 出版社：機械工業出版社 |  3dWoo書號： 50701
詢問書籍請說出此書號！【缺書】
NT售價： 345 元 |
| 出版日：2/1/2019 |
| 頁數：194 |
| 光碟數：0 |
|
站長推薦：  |
| 印刷：黑白印刷 | 語系： ( 簡體 版 ) |
| |
加入購物車  │加到我的最愛
(請先登入會員) |
| ISBN：9787111617198 |
| 作者序 | 譯者序 | 前言 | 內容簡介 | 目錄 | 序 |
| (簡體書上所述之下載連結耗時費功, 恕不適用在台灣, 若讀者需要請自行嘗試, 恕不保證) |
| 作者序： |
| 譯者序： |
前言：本書使用適當和完整的神經網絡體系結構示例，例如用于自然語言處理（NLP）任務的循環神經網絡（RNN）和序列到序列（seq2seq），以較為全面的方式簡化和呈現深度學習的概念。本書試圖彌合理論與應用之間的缺口。
本書以循序漸進的方式從理論過渡到實踐，首先介紹基礎知識，然后是基礎數學，最后是相關示例的實現。
前三章介紹NLP的基礎知識，從最常用的Python庫開始，然后是詞向量表示，再到高級算法，例如用于文本數據的神經網絡。
最后兩章完全側重于實現，運用廣泛流行的Python工具TensorFlow和Keras，處理諸如RNN、長短期記憶（LSTM）網絡、seq2seq等復雜架構。我們盡最大努力遵循循序漸進的方法，最后集合全部知識構建一個問答系統。
本書旨在為想要學習面向NLP的深度學習技術的讀者提供一個很好的起點。
本書中展示的所有代碼都在GitHub上以IPython notebook和腳本的形式公開，使讀者能夠實踐這些示例，并以自己感興趣的任何方式對它們進行擴展。 |
內容簡介：本書以循序漸進的方式從理論過渡到實踐，首先介紹基礎知識，然后是基礎數學，最后是相關示例的實現。
前三章介紹NLP的基礎知識，從最常用的Python庫開始，然后是詞向量表示，再到高階算法，例如用于文本數據的神經網絡。
最后兩章完全側重于實現，運用廣泛流行的Python工具TensorFlow和Keras，處理諸如RNN、LSTM網絡、seq2seq等復雜構架。我們盡最大努力遵循循序漸進的方法，最后集合全部知識構建一個問答系統。
本書通過介紹完整的神經網絡模型（包括循環神經網絡、長短期記憶網絡以及序列到序列模型）實例，向讀者闡釋用于自然語言處理（NLP）的深度學習概念。
前三章介紹NLP和深度學習的基礎知識、詞向量表示和高級算法。后兩章集中介紹實現，并使用Python工具TensorFlow和Keras來處理復雜的架構，比如RNN、LSTM和seq2seq。本書遵循循序漸進的方法，最后集合全部知識構建一個問答式聊天機器人系統。
對于面向NLP的深度學習的初學者來說，本書是很好的入門材料。書中出現的所有代碼均以IPython notebook和腳本的形式公開，使讀者能夠實踐這些代碼，并能按任何感興趣的方式擴展它們。
通過學習本書，讀者將：
了解深度學習的基礎及其數學預備知識
認識基于Python的深度學習框架
開發一個聊天機器人
實現一篇研究論文中的情感分類 |
目錄：譯者序
前言
致謝
關于作者
關于技術審校人員
第1章 自然語言處理和深度學習概述 1
1.1 Python包 2
1.1.1 NumPy 2
1.1.2 Pandas 6
1.1.3 SciPy 9
1.2 自然語言處理簡介 11
1.2.1 什么是自然語言處理 11
1.2.2 如何理解人類的語言 11
1.2.3 自然語言處理的難度是什么 11
1.2.4 我們想通過自然語言處理獲得什么 13
1.2.5 語言處理中的常用術語 13
1.3 自然語言處理庫 14
1.3.1 NLTK 14
1.3.2 TextBlob 15
1.3.3 SpaCy 17
1.3.4 Gensim 19
1.3.5 Pattern 20
1.3.6 Stanford CoreNLP 21
1.4 NLP入門 21
1.4.1 使用正則表達式進行文本搜索 21
1.4.2 將文本轉換為列表 21
1.4.3 文本預處理 22
1.4.4 從網頁中獲取文本 22
1.4.5 移除停止詞 23
1.4.6 計數向量化 23
1.4.7 TF-IDF分數 24
1.4.8 文本分類器 25
1.5 深度學習簡介 25
1.6 什么是神經網絡 27
1.7 神經網絡的基本結構 29
1.8 神經網絡的類型 32
1.8.1 前饋神經網絡 33
1.8.2 卷積神經網絡 33
1.8.3 循環神經網絡 33
1.8.4 編碼器-解碼器網絡 34
1.8.5 遞歸神經網絡 35
1.9 多層感知器 35
1.10 隨機梯度下降 37
1.11 反向傳播 40
1.12 深度學習庫 42
1.12.1 Theano 42
1.12.2 Theano安裝 43
1.12.3 Theano示例 44
1.12.4 TensorFlow 45
1.12.5 數據流圖 46
1.12.6 TensorFlow安裝 47
1.12.7 TensorFlow示例 47
1.12.8 Keras 49
1.13 下一步 52
第2章 詞向量表示 53
2.1 詞嵌入簡介 53
2.2 word2vec 56
2.2.1 skip-gram模型 58
2.2.2 模型成分：架構 58
2.2.3 模型成分：隱藏層 58
2.2.4 模型成分：輸出層 60
2.2.5 CBOW模型 61
2.3 頻繁詞二次采樣 61
2.4 word2vec代碼 64
2.5 skip-gram代碼 67
2.6 CBOW代碼 75
2.7 下一步 83
第3章 展開循環神經網絡 85
3.1 循環神經網絡 86
3.1.1 什么是循環 86
3.1.2 前饋神經網絡和循環神經網絡之間的差異 87
3.1.3 RNN基礎 88
3.1.4 自然語言處理和RNN 91
3.1.5 RNN的機制 93
3.1.6 訓練RNN 96
3.1.7 RNN中隱藏狀態的元意義 98
3.1.8 調整RNN 99
3.1.9 LSTM網絡 99
3.1.10 序列到序列模型 105
3.1.11 高級seq2seq模型 109
3.1.12 序列到序列用例 113
3.2 下一步 122
第4章 開發聊天機器人 123
4.1 聊天機器人簡介 123
4.1.1 聊天機器人的起源 124
4.1.2 聊天機器人如何工作 125
4.1.3 為什么聊天機器人擁有如此大的商機 125
4.1.4 開發聊天機器人聽起來令人生畏 126
4.2 對話型機器人 127
4.3 聊天機器人：自動文本生成 141
4.4 下一步 170
第5章 實現研究論文：情感分類 171
5.1 基于自注意力機制的句子嵌入 172
5.1.1 提出的方法 173
5.1.2 可視化 178
5.1.3 研究發現 181
5.2 實現情感分類 181
5.3 情感分類代碼 182
5.4 模型結果 191
5.5 可提升空間 196
5.6 下一步 196 |
| 序： |
