約阿夫·戈爾德貝格著的《基於深度學習的自然語言處理/智能科學與技術叢書》基本涵蓋了目前已經被證明**有效的技術。主要面向高等院校自然語言處理和機器學習方向的研究生，也適合自然語言處理或機器學習領域的研究人員以及工業界從事智能相關領域研發的專業人員閱讀參考。

約阿夫·戈爾德貝格著的《基於深度學習的自然 語言處理/智能科學與技術叢書》重點介紹了神經網 絡模型在自然語言處理中的應用。首先介紹有監督的 機器學習和前饋神經網絡的基本知識，如何將機器學 習方法應用在自然語言處理中，以及詞向量表示（而 不是符號表示）的應用。然後介紹更多專門的神經網 絡結構，包括一維卷積神經網絡、循環神經網絡、條 件生成模型和基於注意力的模型。後，討論樹形網絡 、結構化預測以及多任務學習的前景。

譯者序
前言
致謝
第1章 引言
1.1 自然語言處理的挑戰
1.2 神經網絡和深度學習
1.3 自然語言處理中的深度學習
1.4 本書的覆蓋面和組織結構
1.5 本書未覆蓋的內容
1.6 術語
1.7 數學符號
注釋
**部分 有監督分類與前饋神經網絡
第2章 學習基礎與線性模型
2.1 有監督學習和參數化函數
2.2 訓練集、測試集和驗證集
2.3 線性模型
2.3.1 二分類
2.3.2 對數線性二分類
2.3.3 多分類
2.4 表示
2.5 獨熱和稠密向量表示
2.6 對數線性多分類
2.7 訓練和*優化
2.7.1 損失函數
2.7.2 正則化
2.8 基於梯度的*優化
2.8.1 隨機梯度下降
2.8.2 實例
2.8.3 其他訓練方法
第3章 從線性模型到多層感知器
3.1 線性模型的局限性：異或問題
3.2 非線性輸入轉換
3.3 核方法
3.4 可訓練的映射函數
第4章 前饋神經網絡
4.1 一個關於大腦的比喻
4.2 數學表示
4.3 表達能力
4.4 常見的非線性函數
4.5 損失函數
4.6 正則化與丟棄法
4.7 相似和距離層
4.8 嵌入層
第5章 神經網絡訓練
5.1 計算圖的抽像概念
5.1.1 前向計算
5.1.2 反向計算（導數、反向傳播）
5.1.3 軟件
5.1.4 實現流程