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

自然語言處理原理與應用(科學出版社十四五普通高等教育本科規劃教材)

  • 作者：編者:劉剛|責編:張麗花//于海雲
  • 出版社：科學
  • ISBN：9787030764225
  • 出版日期：2023/10/01
  • 裝幀：平裝
  • 頁數：256
人民幣：RMB 59 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    自然語言處理是一門集語言學、電腦科學、數學于一體的科學，它包含很廣泛的內容，根據其應用目的不同，所採用的技術手段也不盡相同。
    本書從數理基礎到模型介紹，再到生活應用，從不同的層次，由淺入深、循序漸進地展示一個完整的自然語言處理學習體系。
    本書分兩部分。第一部分為理論基礎，其中第1?4章對什麼是自然語言處理、當前主流的自然語言處理技術，以及目前自然語言處理遇到的困境進行介紹；第5、6章從數學基礎、語言模型，以及詞法分析、語義分析等方面介紹自然語言處理的底層邏輯和模型原理。第二部分為實踐應用，第7?11章介紹自然語言處理在生活中的應用。
    本書實用性強、案例貼近生活，每章配有習題及其答案，讀者可以掃描二維碼查看習題答案。
    本書可作為「自然語言處理」課程的本科生教材，也可作為「人工智慧」「文本挖掘」「語料庫語言學」課程的輔導書，還可作為自然語言處理領域的入門書籍。
作者介紹
編者:劉剛|責編:張麗花//于海雲
目錄
第一部分  理論基礎
  第1章  緒論
    1.1  基本概念
    1.2  自然語言處理的產生與發展
    1.3  基本問題和主要困難
      1.3.1  自然語言處理的基本問題
      1.3.2  自然語言處理面對的主要困難
    1.4  深度學習在自然語言處理中的應用
      1.4.1  深度學習概述
      1.4.2  面向自然語言處理的深度學習方法
      1.4.3  目前深度學習應用存在的局限及展望
    1.5  本章小結
    習題1
  第2章  數學基礎
    2.1  概率論基礎
      2.1.1  樣本空間和概率
      2.1.2  隨機變數
      2.1.3  條件概率公式、全概率公式和貝葉斯公式
      2.1.4  期望和方差
    2.2  資訊理論基礎
      2.2.1  自信息和熵
      2.2.2  聯合熵和條件熵
      2.2.3  互信息、相對熵和交叉熵
      2.2.4  困惑度
      2.2.5  雜訊通道模型
    2.3  深度學習的數學基礎
      2.3.1  最大似然估計
      2.3.2  梯度分析
      2.3.3  梯度下降法
      2.3.4  梯度消失和梯度爆炸
    2.4  本章小結
    習題2
  第3章  語言模型
    3.1  語言模型概念及基礎理論
      3.1.1  n元語法模型
      3.1.2  神經概率語言模型
      3.1.3  預訓練語言模型
    3.2  語言模型性能評價
      3.2.1  基於信息熵的語言模型複雜度度量
      3.2.2  基於困惑度的語言模型複雜度度量
      3.2.3  基於語言模型的漢語信息熵估算
    3.3  數據平滑
      3.3.1  問題的提出
      3.3.2  加法平滑方法
      3.3.3  Good-Turing估計法
      3.3.4  Katz平滑方法
      3.3.5  Jelinek-Mercer平滑方法
      3.3.6  Witten-Bell平滑方法
      3.3.7  絕對減值法
    3.4  神經網路語言模型

      3.4.1  基礎模型
      3.4.2  CNN模型
      3.4.3  RNN模型及其變體
      3.4.4  Attention模型
      3.4.5  Transformer模型
    3.5  語言模型應用舉例
      3.5.1  BERT模型
      3.5.2  短文本表示
      3.5.3  Softmax回歸模型
    3.6  本章小結
    習題3
  第4章  隱馬爾可夫模型與條件隨機場
    4.1  馬爾可夫模型
      4.1.1  馬爾可夫過程
      4.1.2  馬爾可夫性
    4.2  隱馬爾可夫模型
      4.2.1  隱馬爾可夫模型的基本理論
      4.2.2  估計問題
      4.2.3  序列問題
      4.2.4  參數估計問題
    4.3  HMM應用舉例
      4.3.1  中文分詞
      4.3.2  詞性標注
    4.4  條件隨機場及其應用
      4.4.1  條件隨機場概念
      4.4.2  條件隨機場應用
    4.5  本章小結
    習題4
  第5章  詞法分析與詞性標注
    5.1  漢語自動分詞
      5.1.1  分詞規範問題
      5.1.2  歧義切分問題
      5.1.3  未登錄詞問題
      5.1.4  漢語自動分詞的原則
      5.1.5  分詞與詞性標注結果評估方法
    5.2  自動分詞基本演算法
      5.2.1  最大匹配法
      5.2.2  最短路徑方法
      5.2.3  基於HMM的分詞方法
      5.2.4  基於Bi-LSTM-CRF的分詞方法
    5.3  未登錄詞識別
      5.3.1  概述
      5.3.2  基於決策樹的未登錄詞識別方法
      5.3.3  基於統計和規則的未登錄詞識別方法
    5.4  詞性標注方法
      5.4.1  概述
      5.4.2  基於規則的詞性標注方法
      5.4.3  基於統計的詞性標注方法
      5.4.4  基於深度學習的詞性標注方法
    5.5  本章小結

    習題5
  第6章  語義分析
    6.1  語義網路
      6.1.1  基本概念
      6.1.2  語義標注
    6.2  概念依存
    6.3  詞義消歧
      6.3.1  基本內容
      6.3.2  理論方法
      6.3.3  案例分析
    6.4  詞向量表示與詞嵌入
      6.4.1  基本內容
      6.4.2  理論方法
      6.4.3  案例分析
    6.5  語義分析在華為畢昇編譯器AI調優中的應用
      6.5.1  基本內容
      6.5.2  理論方法
    6.6  本章小結
    習題6
第二部分  實踐應用
  第7章  機器翻譯
    7.1  機器翻譯概述
      7.1.1  機器翻譯方法概述
      7.1.2  機器翻譯的研究現狀
    7.2  統計機器翻譯
      7.2.1  基於詞的機器翻譯
      7.2.2  基於短語的機器翻譯
      7.2.3  基於句子的機器翻譯
    7.3  神經機器翻譯
      7.3.1  神經機器翻譯概述
      7.3.2  神經機器翻譯模型
    7.4  實戰GRU翻譯模型
      7.4.1  基礎知識與環境配置
      7.4.2  代碼實現
    7.5  本章小結
    習題7
  第8章  文本分類、聚類和情感分析
    8.1  文本分類
      8.1.1  文本分類的定義
      8.1.2  文本分類的發展
      8.1.3  傳統文本分類的實現
      8.1.4  基於深度學習的分類器設計
    8.2  文本聚類
      8.2.1  基於分層的文本聚類
      8.2.2  基於劃分的文本聚類
    8.3  情感分析
      8.3.1  基於情感詞典的情感分析
      8.3.2  基於深度學習的方面級情感分類演算法
      8.3.3  帶有Attention機制的LSTM網路的方法
      8.3.4  帶有Attention機制的雙向LSTM網路的方法

    8.4  本章小結
    習題8
  第9章  信息抽取
    9.1  實體識別與抽取
      9.1.1  命名實體識別概述
      9.1.2  有監督學習方法實現命名實體識別
      9.1.3  基於深度學習的NER
    9.2  實體消歧
      9.2.1  實體消歧概述
      9.2.2  基於上下文相似度的實體消歧
      9.2.3  基於實體顯著性的實體消歧
      9.2.4  基於實體關聯度的實體消歧
    9.3  關係抽取
      9.3.1  基於模式匹配的關係抽取
      9.3.2  基於深度學習的關係抽取方法
      9.3.3  關係抽取展望
    9.4  事件抽取
      9.4.1  事件抽取任務定義
      9.4.2  基於模式匹配的事件抽取實現
      9.4.3  基於深度學習的事件抽取實現
    9.5  本章小結
    習題9
  第10章  知識圖譜
    10.1  知識圖譜發展歷史
    10.2  知識圖譜基本概念
      10.2.1  知識庫的概念及分類
      10.2.2  知識庫的表示形式
    10.3  知識圖譜的生命周期
      10.3.1  知識建模
      10.3.2  知識抽取
      10.3.3  知識融合
      10.3.4  知識存儲
      10.3.5  知識計算
      10.3.6  知識圖譜應用
    10.4  知識圖譜的現有應用
      10.4.1  語義搜索
      10.4.2  智能問答系統
      10.4.3  輔助決策
      10.4.4  個性化推薦
      10.4.5  學科知識圖譜
    10.5  本章小結
    習題10
  第11章  問答系統與人機對話系統
    11.1  問答系統
      11.1.1  系統構成
      11.1.2  基於信息檢索和答案選擇的混合式問答系統
    11.2  基於大規模知識庫的問答系統
      11.2.1  知識庫問答系統任務
      11.2.2  基於中文知識圖譜的問答系統
    11.3  閱讀理解式問答系統

    11.4  對話系統
      11.4.1  基於深度學習的多方對話系統
      11.4.2  對話系統相關任務
    11.5  醫學視覺問答
      11.5.1  相關概念介紹
      11.5.2  面向醫學數據特徵優化的視覺問答系統
    11.6  問答系統在MindSpore框架中的應用
      11.6.1  華為昇思MindSpore框架
      11.6.2  DAM模型
      11.6.3  基於MindSpore框架的DAM模型分析
      11.6.4  所用數據集`
    11.7  本章小結
    習題11
參考文獻

  • 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