面向自然语言处理的深度学习:用Python创建神经网络

面向自然语言处理的深度学习:用Python创建神经网络
分享
扫描下方二维码分享到微信
打开微信,点击右上角”+“,
使用”扫一扫“即可将网页分享到朋友圈。
作者: , [印] (Palash Goyal) , ,
2019-03
ISBN: 9787111617198
定价: 69.00
装帧: 平装
开本: 16开
纸张: 胶版纸
页数: 212页
36人买过
  • 全书分为5章,通过介绍完整的神经网络模型(包括循环神经网络、长短期记忆网络以及序列到序列模型)实例,向读者阐释用于自然语言处理(NLP)的深度学习概念。前三章介绍NLP和深度学习的基础知识、词向量表示和高级算法,后两章集中介绍实现过程,并使用Python工具TensorFlow和Keras来处理复杂的架构,比如RNN、LSTM和seq2seq。本书遵循循序渐进的方法,*后集合全部知识构建一个问答式聊天机器人系统。 译者序 

     
    前言 

     
    致谢 

     
    关于作者 

     
    关于技术审校人员 

     
    第1章 自然语言处理和深度学习概述  1 

     
    1.1 Python包  2 

     
    1.1.1 NumPy  2 

     
    1.1.2 Pandas  6 

     
    1.1.3 SciPy  9 

     
    1.2 自然语言处理简介  11 

     
    1.2.1 什么是自然语言处理  11 

     
    1.2.2 如何理解人类的语言  11 

     
    1.2.3 自然语言处理的难度是什么  11 

     
    1.2.4 我们想通过自然语言处理获得什么  13 

     
    1.2.5 语言处理中的常用术语  13 

     
    1.3 自然语言处理库  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入门  21 

     
    1.4.1 使用正则表达式进行文本搜索  21 

     
    1.4.2 将文本转换为列表  21 

     
    1.4.3 文本预处理  22 

     
    1.4.4 从网页中获取文本  22 

     
    1.4.5 移除停止词  23 

     
    1.4.6 计数向量化  23 

     
    1.4.7 TF-IDF分数  24 

     
    1.4.8 文本分类器  25 

     
    1.5 深度学习简介  25 

     
    1.6 什么是神经网络  27 

     
    1.7 神经网络的基本结构  29 

     
    1.8 神经网络的类型  32 

     
    1.8.1 前馈神经网络  33 

     
    1.8.2 卷积神经网络  33 

     
    1.8.3 循环神经网络  33 

     
    1.8.4 编码器-解码器网络  34 

     
    1.8.5 递归神经网络  35 

     
    1.9 多层感知器  35 

     
    1.10 随机梯度下降  37 

     
    1.11 反向传播  40 

     
    1.12 深度学习库  42 

     
    1.12.1 Theano  42 

     
    1.12.2 Theano安装  43 

     
    1.12.3 Theano示例  44 

     
    1.12.4 TensorFlow  45 

     
    1.12.5 数据流图  46 

     
    1.12.6 TensorFlow安装  47 

     
    1.12.7 TensorFlow示例  47 

     
    1.12.8 Keras  49 

     
    1.13 下一步  52 

     
    第2章 词向量表示  53 

     
    2.1 词嵌入简介  53 

     
    2.2 word2vec  56 

     
    2.2.1 skip-gram模型  58 

     
    2.2.2 模型成分:架构  58 

     
    2.2.3 模型成分:隐藏层  58 

     
    2.2.4 模型成分:输出层  60 

     
    2.2.5 CBOW模型  61 

     
    2.3 频繁词二次采样  61 

     
    2.4 word2vec代码  64 

     
    2.5 skip-gram代码  67 

     
    2.6 CBOW代码  75 

     
    2.7 下一步  83 

     
    第3章 展开循环神经网络  85 

     
    3.1 循环神经网络  86 

     
    3.1.1 什么是循环  86 

     
    3.1.2 前馈神经网络和循环神经网络之间的差异  87 

     
    3.1.3 RNN基础  88 

     
    3.1.4 自然语言处理和RNN  91 

     
    3.1.5 RNN的机制  93 

     
    3.1.6 训练RNN  96 

     
    3.1.7 RNN中隐藏状态的元意义  98 

     
    3.1.8 调整RNN  99 

     
    3.1.9 LSTM网络  99 

     
    3.1.10 序列到序列模型  105 

     
    3.1.11 高级seq2seq模型  109 

     
    3.1.12 序列到序列用例  113 

     
    3.2 下一步  122 

     
    第4章 开发聊天机器人  123 

     
    4.1 聊天机器人简介  123 

     
    4.1.1 聊天机器人的起源  124 

     
    4.1.2 聊天机器人如何工作  125 

     
    4.1.3 为什么聊天机器人拥有如此大的商机  125 

     
    4.1.4 开发聊天机器人听起来令人生畏  126 

     
    4.2 对话型机器人  127 

     
    4.3 聊天机器人:自动文本生成  141 

     
    4.4 下一步  170 

     
    第5章 实现研究论文:情感分类  171 

     
    5.1 基于自注意力机制的句子嵌入  172 

     
    5.1.1 提出的方法  173 

     
    5.1.2 可视化  178 

     
    5.1.3 研究发现  181 

     
    5.2 实现情感分类  181 

     
    5.3 情感分类代码  182 

     
    5.4 模型结果  191 

     
    5.5 可提升空间  196 

     
    5.6 下一步  196 
    ......
  • 内容简介:
    全书分为5章,通过介绍完整的神经网络模型(包括循环神经网络、长短期记忆网络以及序列到序列模型)实例,向读者阐释用于自然语言处理(NLP)的深度学习概念。前三章介绍NLP和深度学习的基础知识、词向量表示和高级算法,后两章集中介绍实现过程,并使用Python工具TensorFlow和Keras来处理复杂的架构,比如RNN、LSTM和seq2seq。本书遵循循序渐进的方法,*后集合全部知识构建一个问答式聊天机器人系统。
  • 目录:
    译者序 

     
    前言 

     
    致谢 

     
    关于作者 

     
    关于技术审校人员 

     
    第1章 自然语言处理和深度学习概述  1 

     
    1.1 Python包  2 

     
    1.1.1 NumPy  2 

     
    1.1.2 Pandas  6 

     
    1.1.3 SciPy  9 

     
    1.2 自然语言处理简介  11 

     
    1.2.1 什么是自然语言处理  11 

     
    1.2.2 如何理解人类的语言  11 

     
    1.2.3 自然语言处理的难度是什么  11 

     
    1.2.4 我们想通过自然语言处理获得什么  13 

     
    1.2.5 语言处理中的常用术语  13 

     
    1.3 自然语言处理库  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入门  21 

     
    1.4.1 使用正则表达式进行文本搜索  21 

     
    1.4.2 将文本转换为列表  21 

     
    1.4.3 文本预处理  22 

     
    1.4.4 从网页中获取文本  22 

     
    1.4.5 移除停止词  23 

     
    1.4.6 计数向量化  23 

     
    1.4.7 TF-IDF分数  24 

     
    1.4.8 文本分类器  25 

     
    1.5 深度学习简介  25 

     
    1.6 什么是神经网络  27 

     
    1.7 神经网络的基本结构  29 

     
    1.8 神经网络的类型  32 

     
    1.8.1 前馈神经网络  33 

     
    1.8.2 卷积神经网络  33 

     
    1.8.3 循环神经网络  33 

     
    1.8.4 编码器-解码器网络  34 

     
    1.8.5 递归神经网络  35 

     
    1.9 多层感知器  35 

     
    1.10 随机梯度下降  37 

     
    1.11 反向传播  40 

     
    1.12 深度学习库  42 

     
    1.12.1 Theano  42 

     
    1.12.2 Theano安装  43 

     
    1.12.3 Theano示例  44 

     
    1.12.4 TensorFlow  45 

     
    1.12.5 数据流图  46 

     
    1.12.6 TensorFlow安装  47 

     
    1.12.7 TensorFlow示例  47 

     
    1.12.8 Keras  49 

     
    1.13 下一步  52 

     
    第2章 词向量表示  53 

     
    2.1 词嵌入简介  53 

     
    2.2 word2vec  56 

     
    2.2.1 skip-gram模型  58 

     
    2.2.2 模型成分:架构  58 

     
    2.2.3 模型成分:隐藏层  58 

     
    2.2.4 模型成分:输出层  60 

     
    2.2.5 CBOW模型  61 

     
    2.3 频繁词二次采样  61 

     
    2.4 word2vec代码  64 

     
    2.5 skip-gram代码  67 

     
    2.6 CBOW代码  75 

     
    2.7 下一步  83 

     
    第3章 展开循环神经网络  85 

     
    3.1 循环神经网络  86 

     
    3.1.1 什么是循环  86 

     
    3.1.2 前馈神经网络和循环神经网络之间的差异  87 

     
    3.1.3 RNN基础  88 

     
    3.1.4 自然语言处理和RNN  91 

     
    3.1.5 RNN的机制  93 

     
    3.1.6 训练RNN  96 

     
    3.1.7 RNN中隐藏状态的元意义  98 

     
    3.1.8 调整RNN  99 

     
    3.1.9 LSTM网络  99 

     
    3.1.10 序列到序列模型  105 

     
    3.1.11 高级seq2seq模型  109 

     
    3.1.12 序列到序列用例  113 

     
    3.2 下一步  122 

     
    第4章 开发聊天机器人  123 

     
    4.1 聊天机器人简介  123 

     
    4.1.1 聊天机器人的起源  124 

     
    4.1.2 聊天机器人如何工作  125 

     
    4.1.3 为什么聊天机器人拥有如此大的商机  125 

     
    4.1.4 开发聊天机器人听起来令人生畏  126 

     
    4.2 对话型机器人  127 

     
    4.3 聊天机器人:自动文本生成  141 

     
    4.4 下一步  170 

     
    第5章 实现研究论文:情感分类  171 

     
    5.1 基于自注意力机制的句子嵌入  172 

     
    5.1.1 提出的方法  173 

     
    5.1.2 可视化  178 

     
    5.1.3 研究发现  181 

     
    5.2 实现情感分类  181 

     
    5.3 情感分类代码  182 

     
    5.4 模型结果  191 

     
    5.5 可提升空间  196 

     
    5.6 下一步  196 
    ......
查看详情
12
系列丛书 / 更多
面向自然语言处理的深度学习:用Python创建神经网络
Python自然语言处理实战:核心技术与算法
涂铭、刘祥、刘树春 著
面向自然语言处理的深度学习:用Python创建神经网络
面向机器智能的TensorFlow实践
段菲、陈澎 译
面向自然语言处理的深度学习:用Python创建神经网络
智能科学技术导论
周昌乐 著
面向自然语言处理的深度学习:用Python创建神经网络
机器人学基础 第2版
蔡自兴 著
面向自然语言处理的深度学习:用Python创建神经网络
Java自然语言处理
[美]理查德·里斯(Richard、M、Reese 著;邹伟 孙逢举 译
面向自然语言处理的深度学习:用Python创建神经网络
深度学习:Java语言实现
陈澎、王磊 译者;巣笼悠辅(Yusuke Sugomori)
面向自然语言处理的深度学习:用Python创建神经网络
机器学习系统设计:Python语言实现
李洋 译者;戴维·朱利安(David Julian)
面向自然语言处理的深度学习:用Python创建神经网络
机器学习:使用OpenCV和Python进行智能图像处理
[美]迈克尔·贝耶勒(Michael Beyeler) 著;王磊 译
面向自然语言处理的深度学习:用Python创建神经网络
Python大规模机器学习
[意]卢卡·马萨罗 著;[荷]巴斯蒂安·贾丁(Bastiaan Sjardin)、王贵财、刘春明 译
面向自然语言处理的深度学习:用Python创建神经网络
神经网络:R语言实现
[美]朱塞佩·查博罗(Giuseppe Ciaburro) 著;李洪成 译
面向自然语言处理的深度学习:用Python创建神经网络
深度卷积网络:原理与实践
彭博 著
面向自然语言处理的深度学习:用Python创建神经网络
MATLAB与机器学习
[美]迈克尔·帕拉斯泽克(Michael Paluszek) 著;李三平 陈建平 译
相关图书 / 更多
面向自然语言处理的深度学习:用Python创建神经网络
面向城乡融合发展的中国乡村空间治理
戈大专
面向自然语言处理的深度学习:用Python创建神经网络
面向新型电力系统的储能与电力市场 贺徙 等
贺徙 等
面向自然语言处理的深度学习:用Python创建神经网络
面向共同富裕振兴乡村的土地法制改革之路
耿卓 等
面向自然语言处理的深度学习:用Python创建神经网络
面向计算机科学家的量子计算
(美)诺森·S.亚诺夫斯基(Noson S. Yanofsky)(美)米尔科·A.曼努奇(Mirco A. Mannucci) 著 何红梅 朱振环 译
面向自然语言处理的深度学习:用Python创建神经网络
面向未来 助力增长:构建中国新型能源体系
国务院发展研究中心、壳牌国际有限公司
面向自然语言处理的深度学习:用Python创建神经网络
面向未来的教育创新与实践
汪建宏、李锋亮
面向自然语言处理的深度学习:用Python创建神经网络
面向2035的复合材料构件精确制造发展战略研究 单忠德 范聪泽 宋文哲
单忠德 范聪泽 宋文哲
面向自然语言处理的深度学习:用Python创建神经网络
面向客户价值的智能产品概念设计方法(数智化时代产业智联生态系统创新理论研究丛书)
明新国、厉秀珍、张先燏 著
面向自然语言处理的深度学习:用Python创建神经网络
面向2035年 中国城市交通发展战略
汪光焘等著
面向自然语言处理的深度学习:用Python创建神经网络
面向核心素养的STEM课程设计
王帆等
面向自然语言处理的深度学习:用Python创建神经网络
面向5G-Advanced的关键技术
张建国 周海骄 杨东来 李伟 曹懿军 芮杰 何华伟
面向自然语言处理的深度学习:用Python创建神经网络
面向未来的管理者 [美]彼得·德鲁克
(美)彼得·德鲁克