幫助中心 | 我的帳號 | 關於我們
進階搜尋
car

同類熱銷排行榜

最近瀏覽的商品

大數據智能(數據驅動的自然語言處理技術)/大數據叢書

  • 作者：編者:劉知遠//崔安頎
  • 出版社：電子工業
  • ISBN：9787121375385
  • 出版日期：2020/01/01
  • 裝幀：平裝
  • 頁數：346
人民幣：RMB 89 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    本書是介紹大數據智能、人工智慧技術的科普書籍，旨在讓更多人了解和學習互聯網時代的人工智慧技術——自然語言處理技術，讓大數據智能技術更好地為我們服務。
    全書包括大數據智能基礎、技術和應用三部分，共14章。基礎部分有3章：第1章以深度學習為例介紹大數據智能的計算框架；第2章以知識圖譜為例介紹大數據智能的知識庫；第3章介紹大數據的計算處理系統。技術部分有6章，分別介紹機器翻譯、主題模型、情感分析與意見挖掘、智能問答與對話系統、個性化推薦、機器寫作。應用部分有5章，分別介紹社交商業數據挖掘、智慧醫療、智慧司法、智慧金融、計算社會科學。本書後記部分為讀者追蹤大數據智能的最新學術資料提供了建議。
    本書適合作高等院校電腦相關專業研究生的學習參考資料，也適合電腦技術愛好者，特別是希望對大數據技術有所了解，想要將大數據技術應用於本職工作的所有讀者閱讀。
作者介紹
編者:劉知遠//崔安頎
目錄
1  深度計算——機器大腦的結構
  1.1  驚人的深度學習
    1.1.1  可以做酸奶的麵包機：通用機器的概念
    1.1.2  連接主義
    1.1.3  用機器設計機器
    1.1.4  深度網路
    1.1.5  深度學習的用武之地
  1.2  從人腦神經元到人工神經元
    1.2.1  生物神經元中的計算靈感
    1.2.2  激活函數
  1.3  參數學習
    1.3.1  模型的評價
    1.3.2  有監督學習
    1.3.3  梯度下降法
  1.4  多層前饋網路
    1.4.1  多層前饋網路
    1.4.2  後向傳播演算法計算梯度
  1.5  逐層預訓練
  1.6  深度學習是終極神器嗎
    1.6.1  深度學習帶來了什麼
    1.6.2  深度學習尚未做到什麼
  1.7  內容回顧與推薦閱讀
  1.8  參考文獻
2  知識圖譜——機器大腦中的知識庫
  2.1  什麼是知識圖譜
  2.2  知識圖譜的構建
    2.2.1  大規模知識庫
    2.2.2  互聯網鏈接數據
    2.2.3  互聯網網頁文本數據
    2.2.4  多數據源的知識融合
  2.3  知識圖譜的典型應用
    2.3.1  查詢理解
    2.3.2  自動問答
    2.3.3  文檔表示
  2.4  知識圖譜的主要技術
    2.4.1  實體鏈指
    2.4.2  關係抽取
    2.4.3  知識推理
    2.4.4  知識表示
  2.5  前景與挑戰
  2.6  內容回顧與推薦閱讀
  2.7  參考文獻
3  大數據系統——大數據背後的支撐技術
  3.1  大數據有多大
  3.2  高性能計算技術
    3.2.1  超級電腦的組成
    3.2.2  並行計算的系統支持
  3.3  虛擬化和雲計算技術
    3.3.1  虛擬化技術
    3.3.2  雲計算服務

  3.4  基於分散式計算的大數據系統
    3.4.1  Hadoop生態系統
    3.4.2  Spark
    3.4.3  典型的大數據基礎架構
  3.5  大規模圖計算
    3.5.1  分散式圖計算框架
    3.5.2  高效的單機圖計算框架
  3.6  NoSQL
    3.6.1  NoSQL資料庫的類別
    3.6.2  MongoDB簡介
  3.7  內容回顧與推薦閱讀
  3.8  參考文獻
4  主題模型——機器的智能摘要利器
  4.1  由文檔到主題
  4.2  主題模型出現的背景
  4.3  第一個主題模型：潛在語義分析
  4.4  第一個正式的概率主題模型
  4.5  第一個正式的貝葉斯主題模型
  4.6  LDA的概要介紹
    4.6.1  LDA的延伸理解：主題模型廣義理解
    4.6.2  模型求解
    4.6.3  模型評估
    4.6.4  模型選擇：主題數目的確定
  4.7  主題模型的變形與應用
    4.7.1  基於LDA的變種模型
    4.7.2  基於LDA的典型應用
    4.7.3  基於主題模型的新浪名人話題排行榜應用
  4.8  內容回顧與推薦閱讀
  4.9  參考文獻
5  機器翻譯——機器如何跨越語言障礙
  5.1  機器翻譯的意義
  5.2  機器翻譯的發展歷史
    5.2.1  基於規則的機器翻譯
    5.2.2  基於語料庫的機器翻譯
    5.2.3  基於神經網路的機器翻譯
  5.3  經典的神經網路機器翻譯模型
    5.3.1  基於循環神經網路的神經網路機器翻譯
    5.3.2  從卷積序列到序列模型
    5.3.3  基於自注意力機制的 Transformer 模型
  5.4  機器翻譯譯文質量評價
  5.5  機器翻譯面臨的挑戰
  5.6  參考文獻
6  情感分析與意見挖掘——機器如何了解人類情感
  6.1  情感可以計算嗎
  6.2  哪裡需要文本情感分析
    6.2.1  情感分析的宏觀反映
    6.2.2  情感分析的微觀特徵
  6.3  情感分析的主要研究問題
  6.4  情感分析的主要方法
    6.4.1  構成情感和觀點的基本元素

    6.4.2  情感極性與情感詞典
    6.4.3  屬性-觀點對
    6.4.4  情感極性分析
  6.5  主要的情感分析資源
  6.6  前景與挑戰
  6.7  內容回顧與推薦閱讀
  6.8  參考文獻
7  智能問答與對話系統——智能助手是如何煉成的
  7.1  問答：圖靈測試的基本形式
  7.2  從問答到對話
    7.2.1  對話系統的基本過程
    7.2.2  文本對話系統的常見場景
  7.3  問答系統的主要組成
  7.4  文本問答系統
    7.4.1  問題理解
    7.4.2  知識檢索
    7.4.3  答案生成
  7.5  端到端的閱讀理解問答技術
    7.5.1  什麼是閱讀理解任務
    7.5.2  閱讀理解任務的模型
    7.5.3  閱讀理解任務的其他工程技巧
  7.6  社區問答系統
    7.6.1  社區問答系統的結構
    7.6.2  相似問題檢索
    7.6.3  答案過濾
    7.6.4  社區問答的應用
  7.7  多媒體問答系統
  7.8  大型問答系統案例：IBM沃森問答系統
    7.8.1  沃森的總體結構
    7.8.2  問題解析
    7.8.3  知識儲備
    7.8.4  檢索和候選答案生成
    7.8.5  可信答案確定
  7.9  前景與挑戰
  7.10  內容回顧與推薦閱讀
  7.11  參考文獻
8  個性化推薦系統——如何了解電腦背後的他
  8.1  什麼是推薦系統
  8.2  推薦系統的發展歷史
    8.2.1  推薦無處不在
    8.2.2  從千人一面到千人千面
  8.3  個性化推薦的基本問題
    8.3.1  推薦系統的輸入
    8.3.2  推薦系統的輸出
    8.3.3  個性化推薦的基本形式
    8.3.4  推薦系統的三大核心問題
  8.4  典型推薦演算法淺析
    8.4.1  推薦演算法的分類
    8.4.2  典型推薦演算法介紹
    8.4.3  基於矩陣分解的打分預測

    8.4.4  基於神經網路的推薦演算法
  8.5  推薦的可解釋性
  8.6  推薦演算法的評價
    8.6.1  評分預測的評價
    8.6.2  推薦列表的評價
    8.6.3  推薦理由的評價
  8.7  前景與挑戰：我們走了多遠
    8.7.1  推薦系統面臨的問題
    8.7.2  推薦系統的新方向
  8.8  內容回顧與推薦閱讀
  8.9  參考文獻
9  機器寫作——從分析到創造
  9.1  什麼是機器寫作
  9.2  藝術寫作
    9.2.1  機器寫詩
    9.2.2  AI對聯
  9.3  當代寫作
    9.3.1  機器寫稿
    9.3.2  機器故事生成
  9.4  內容回顧
  9.5  參考文獻
10  社交商業數據挖掘——從用戶數據挖掘到商業智能應用
  10.1  社交媒體平台中的數據寶藏
  10.2  打通網路社區的束縛：用戶網路社區身份的鏈指與融合
  10.3  揭開社交用戶的面紗：用戶畫像的構建
    10.3.1  基於顯式社交屬性的構建方法
    10.3.2  基於網路表示學習的構建方法
    10.3.3  產品受眾畫像的構建
  10.4  了解用戶的需求：用戶消費意圖的識別
    10.4.1  個體消費意圖識別
    10.4.2  群體消費意圖識別
  10.5  精準的供需匹配：面向社交平台的產品推薦演算法
    10.5.1  候選產品列表生成
    10.5.2  基於學習排序演算法的推薦框架
    10.5.3  基於用戶屬性的排序特徵構建
    10.5.4  推薦系統的整體設計概覽
  10.6  前景與挑戰
  10.7  內容回顧與推薦閱讀
  10.8  參考文獻
11  智慧醫療——信息技術在醫療領域應用的結晶
  11.1  智慧醫療的起源
  11.2  智慧醫療的廬山真面目
  11.3  智慧醫療中的人工智慧應用
    11.3.1  醫療過程中的人工智慧應用
    11.3.2  醫療研究中的人工智慧應用
  11.4  前景與挑戰
  11.5  內容回顧與推薦閱讀
  11.6  參考文獻
12  智慧司法——智能技術促進司法公正
  12.1  智能技術與法律的碰撞

  12.2  智慧司法相關研究
    12.2.1  法律智能的早期研究
    12.2.2  判決預測：虛擬法官的誕生與未來
    12.2.3  文書生成：司法過程簡化
    12.2.4  要素提取：司法結構化
    12.2.5  類案匹配：解決一案多判
    12.2.6  司法問答：讓機器理解法律
  12.3  智慧司法的期望偏差與應用挑戰
    12.3.1  智慧司法的期望偏差
    12.3.2  智慧司法的應用挑戰
  12.4  內容回顧與推薦閱讀
  12.5  參考文獻
13  智能金融——機器金融大腦
  13.1  智能金融正當其時
    13.1.1  什麼是智能金融
    13.1.2  智能金融與金融科技、互聯網金融的異同
    13.1.3  智能金融適時而生
  13.2  智能金融技術
    13.2.1  大數據的機遇與挑戰
    13.2.2  智能金融中的自然語言處理
    13.2.3  金融事理圖譜
    13.2.4  智能金融中的深度學習
  13.3  智能金融應用
    13.3.1  智能投顧
    13.3.2  智能研報
    13.3.3  智能客服
  13.4  前景與挑戰
  13.5  內容回顧與推薦閱讀
  13.6  參考文獻
14  計算社會學——透過大數據了解人類社會
  14.1  透過數據了解人類社會
  14.2  面向社會媒體的自然語言使用分析
    14.2.1  辭彙的時空傳播與演化
    14.2.2  語言使用與個體差異
    14.2.3  語言使用與社會地位
    14.2.4  語言使用與群體分析
  14.3  面向社會媒體的自然語言分析應用
    14.3.1  社會預測
    14.3.2  霸凌現象定量分析
  14.4  未來研究的挑戰與展望
  14.5  參考文獻
後記

  • 商品搜索：
  • | 高級搜索
首頁│ 新手上路│ 客服中心│ 關於我們│ 聯絡我們│ Top↑│
Copyrightc 1999~2008 美商天龍國際圖書股份有限公司 臺灣分公司. All rights reserved.
營業地址:臺北市中正區重慶南路一段103號1F 105號1F-2F
讀者服務部電話：02-2381-2033 02-2381-1863　時間：週一-週五 10:00-17:00
　服務信箱：bookuu@69book.com 客戶、意見信箱:cs@69book.com
ICP證：浙B2-20060032