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

基於深度學習的自然語言處理/智能系統與技術叢書

  • 作者：(美)卡蒂克·雷迪·博卡//(印)舒班吉·霍拉//(德)塔努吉·賈因//(美)莫尼卡·瓦姆布吉|責編:李忠明|譯者:趙鳴//曾小健//詹煒
  • 出版社：機械工業
  • ISBN：9787111653578
  • 出版日期：2020/05/01
  • 裝幀：平裝
  • 頁數：226
人民幣：RMB 79 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    將深度學習方法應用於各種自然語言處理任務可以將你的計算演算法在速度和準確性方面提升到一個全新的水平。本書首先介紹自然語言處理領域的基本構件，接著介紹使用最先進的神經網路模型可以解決的問題。深入研究各種神經網路架構及其特定的應用領域將有助於你理解如何選擇最佳模型來滿足你的需求。隨著學習的深入，你將學到卷積神經網路、循環神經網路、遞歸神經網路以及長短期記憶網路。在後面的章節中，你將能夠使用自然語言處理技術（如注意力機制模型和集束搜索）開發應用程序。
    學完本書，你不僅能具備自然語言處理的基礎知識，還能選擇絕佳的文本預處理和神經網路模型來解決一些自然語言處理的問題。
    了解深度學習問題的各種預處理技術。
    用word2vec和GloVe構建文本的矢量表示。
    使用Apache OpenNLP創建命名實體識別器和詞性標注器。
    在Keras中構建機器翻譯模型。
    用LSTM開發文本生成應用程序。
    使用注意力模型構建觸發詞檢測應用程序。
作者介紹
(美)卡蒂克·雷迪·博卡//(印)舒班吉·霍拉//(德)塔努吉·賈因//(美)莫尼卡·瓦姆布吉|責編:李忠明|譯者:趙鳴//曾小健//詹煒
目錄
譯者序
前言
第1章  自然語言處理
  1.1  本章概覽
  1.2  自然語言處理的基礎知識
  1.3  自然語言處理的能力
  1.4  自然語言處理中的應用
    1.4.1  文本預處理
    1.4.2  文本預處理技術
  1.5  詞嵌入
  1.6  本章小結
第2章  自然語言處理的應用
  2.1  本章概覽
  2.2  詞性標注
    2.2.1  詞性
    2.2.2  詞性標注器
  2.3  詞性標注的應用
  2.4  分塊
  2.5  加縫
  2.6  命名實體識別
    2.6.1  命名實體
    2.6.2  命名實體識別器
    2.6.3  命名實體識別的應用
    2.6.4  命名實體識別器類型
  2.7  本章小結
第3章  神經網路
  3.1  本章概覽
    3.1.1  深度學習簡介
    3.1.2  機器學習與深度學習的比較
  3.2  神經網路
  3.3  訓練神經網路
    3.3.1  計算權重
    3.3.2  損失函數
    3.3.3  梯度下降演算法
    3.3.4  反向傳播
  3.4  神經網路的設計及其應用
    3.4.1  有監督神經網路
    3.4.2  無監督神經網路
  3.5  部署模型即服務的基礎
  3.6  本章小結
第4章  卷積神經網路
  4.1  本章概覽
  4.2  理解CNN的架構
    4.2.1  特徵提取
    4.2.2  隨機失活
    4.2.3  卷積神經網路的分類
  4.3  訓練CNN
  4.4  CNN的應用領域
  4.5  本章小結
第5章  循環神經網路

  5.1  本章概覽
  5.2  神經網路的早期版本
  5.3  RNN
    5.3.1  RNN架構
    5.3.2  BPTT
  5.4  更新和梯度流
    5.4.1  調整權重矩陣Wy
    5.4.2  調整權重矩陣Ws
    5.4.3  關於更新Wx
  5.5  梯度
    5.5.1  梯度爆炸
    5.5.2  梯度消失
    5.5.3  Keras實現RNN
    5.5.4  有狀態與無狀態
  5.6  本章小結
第6章  門控循環單元
  6.1  本章概覽
  6.2  簡單RNN的缺點
  6.3  門控循環單元
    6.3.1  門的類型
    6.3.2  更新門
    6.3.3  重置門
    6.3.4  候選激活函數
    6.3.5  GRU變體
  6.4  基於GRU的情感分析
  6.5  本章小結
第7章  長短期記憶網路
  7.1  本章概覽
    7.1.1  LSTM
    7.1.2  遺忘門
  7.2  輸入門和候選單元狀態
  7.3  輸出門和當前激活
  7.4  神經語言翻譯
  7.5  本章小結
第8章  自然語言處理前沿
  8.1  本章概覽
    8.1.1  注意力機制
    8.1.2  注意力機制模型
    8.1.3  使用注意力機制的數據標準化
    8.1.4  編碼器
    8.1.5  解碼器
    8.1.6  注意力機制
    8.1.7  α的計算
  8.2  其他架構和發展狀況
    8.2.1  transformer
    8.2.2  RERT
    8.2.3  Open AI GPT
  8.3  本章小結
第9章  組織中的實際NLP項目工作流
  9.1  本章概覽

    9.1.1  機器學習產品開發的一般工作流
    9.1.2  演示工作流
    9.1.3  研究工作流
    9.1.4  面向生產的工作流
  9.2  問題定義
  9.3  數據採集
  9.4  谷歌Colab
  9.5  Flask
  9.6  部署
    9.6.1  對Flask網路應用程序進行更改
    9.6.2  使用Docker將Flask網路應用程序包裝到容器中
    9.6.3  將容器托管在亞馬遜網路服務EC2實例上
    9.6.4  改進
  9.7  本章小結
附錄

  • 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