了得網計算機/網絡_面向自然語言處理的深度學習：用Python創建神經網絡

產品特色

編輯推薦

內容簡介

全書分為5章，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，向讀者闡釋用於自然語言處理（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，後兩章集中介紹實現過程，並使用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，*後集合全部知識構建一個問答式聊天機器人繫統。

作者簡介

譯者序
前言
致謝
關於作者
關於技術審校人員
第1章自然語言處理和深度學習概述 1
1.1Python包 2
1.1.1NumPy 2
1.1.2Pandas 6
1.1.3SciPy 9
1.2自然語言處理簡介 11
1.2.1什麼是自然語言處理 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麼 11譯者序
前言
致謝
關於作者
關於技術審校人員
第1章自然語言處理和深度學習概述 1
1.1Python包 2
1.1.1NumPy 2
1.1.2Pandas 6
1.1.3SciPy 9
1.2自然語言處理簡介 11
1.2.1什麼是自然語言處理 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麼 11
1.2.4我們想通過自然語言處理獲得什麼 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
1.3.1NLTK 14
1.3.2TextBlob 15
1.3.3SpaCy 17
1.3.4Gensim 19
1.3.5Pattern 20
1.3.6Stanford CoreNLP 21
1.4NLP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
1.4.7TF-IDF分數 24
1.4.8文本分類器 25
1.5深度學習簡介 25
1.6什麼是神經網絡 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
1.12.1Theano 42
1.12.2Theano安裝 43
1.12.3Theano示例 44
1.12.4TensorFlow 45
1.12.5數據流圖 46
1.12.6TensorFlow安裝 47
1.12.7TensorFlow示例 47
1.12.8Keras 49
1.13下一步 52
第2章詞向量表示 53
2.1詞嵌入簡介 53
2.2word2vec 56
2.2.1skip-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
2.2.5CBOW模型 61
2.3頻繁詞二次采樣 61
2.4word2vec代碼 64
2.5skip-gram代碼 67
2.6CBOW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
3.1.1什麼是循環 86
3.1.2前饋神經網絡和循環神經網絡之間的差異 87
3.1.3RNN基礎 88
3.1.4自然語言處理和RNN 91
3.1.5RNN的機制 93
3.1.6訓練RNN 96
3.1.7RNN中隱藏意義 98
3.1.8調整RNN 99
3.1.9LSTM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為什麼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基於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

前言

本書使用適當和完整的神經網絡體繫結構示例，例如用於自然語言處理（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，然後是基礎數學，後是相關示例的實現。
前三章介紹NLP的基礎知識，從常用的Python庫開始，然後是詞向量表示，再到高級算法，例如用於文本數據的神經網絡。
後兩章完全側重於實現，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。我們盡努力遵循循序漸進的方法，後集合全部知識構建一個問答繫統。
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，並以自己感興趣的任何方式對它們進行擴展。

媒體評論

在線試讀

商品搜索

商品分类

【醫學】

【各大出版社】