掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應用
-
>
決戰行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優實踐之路
-
>
第一行代碼Android
-
>
JAVA持續交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
買過本商品的人還買了
智能問答與深度學習 版權信息
- ISBN：9787121349218
- 條形碼：9787121349218 ; 978-7-121-34921-8
- 裝幀：一般膠版紙
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
智能問答與深度學習 本書特色
《智能問答與深度學習》面向在校學生或計算機軟件從業人員，由淺入深地介紹了人工智能在文本任務中的應用。《智能問答與深度學習》不但介紹了自然語言處理、深度學習和機器閱讀理解等基礎知識，還簡述了信息論、人工智能等的發展過程。
智能問答與深度學習 內容簡介
本書面向在校學生或計算機軟件從業人員, 由淺入深地介紹了人工智能在文本任務中的應用。該書不但介紹了自然語言處理、深度學習和機器閱讀理解等基礎知識, 還簡述了信息論、人工智能等的發展過程。
智能問答與深度學習 目錄
1 概述1
1.1 智能問答：讓機器更好地服務于人 1
1.2 問答系統類型介紹 2
1.2.1 基于事實的問答系統 3
1.2.2 基于常見問題集的問答系統 3
1.2.3 開放域的問答系統 4
1.3 使用本書附帶的源碼程序 4
1.3.1 安裝依賴軟件 4
1.3.2 下載源碼 5
1.3.3 執行示例程序 5
1.3.4 聯系我們 6
1.4 全書結構 6
2 機器學習基礎8
2.1 線性代數 8
2.1.1 標量、向量、矩陣和張量 8
2.1.2 矩陣運算 9
2.1.3 特殊類型的矩陣 10
2.1.4 線性相關 11
2.1.5 范數 12
2.2 概率論基礎 12
2.2.1 隨機變量 13
2.2.2 期望和方差 13
2.2.3 伯努利分布 14
2.2.4 二項分布 14
2.2.5 泊松分布 15
2.2.6 正態分布 15
2.2.7 條件概率、聯合概率和全概率 17
2.2.8 先驗概率與后驗概率 18
2.2.9 邊緣概率 18
2.2.10 貝葉斯公式 18
2.2.11 *大似然估計算法 19
2.2.12 線性回歸模型 20
2.2.13 邏輯斯蒂回歸模型 21
2.3 信息論基礎 22
2.3.1 熵 23
2.3.2 聯合熵和條件熵 23
2.3.3 相對熵與互信息 24
2.3.4 信道和信道容量 25
2.3.5 *大熵模型 26
2.3.6 信息論與機器學習 29
2.4 統計學習 29
2.4.1 輸入空間、特征空間與輸出空間 30
2.4.2 向量表示 30
2.4.3 數據集 31
2.4.4 從概率到函數 31
2.4.5 統計學習三要素 32
2.5 隱馬爾可夫模型 33
2.5.1 隨機過程和馬爾可夫鏈 33
2.5.2 隱馬爾可夫模型的定義 36
2.5.3 三個基本假設及適用場景 37
2.5.4 概率計算問題之直接計算 39
2.5.5 概率計算問題之前向算法 40
2.5.6 概率計算問題之后向算法 42
2.5.7 預測問題之維特比算法 45
2.5.8 學習問題之Baum-Welch 算法 48
2.6 條件隨機場模型 52
2.6.1 超越HMM 52
2.6.2 項目實踐 55
2.7 總結 59
3 自然語言處理基礎60
3.1 中文自動分詞 60
3.1.1 有向無環圖 61
3.1.2 *大匹配算法 63
3.1.3 算法評測 69
3.1.4 由字構詞的方法 72
3.2 詞性標注 77
3.2.1 詞性標注規范 77
3.2.2 隱馬爾可夫模型詞性標注 79
3.3 命名實體識別 81
3.4 上下文無關文法 82
3.4.1 原理介紹 83
3.4.2 算法淺析 83
3.5 依存關系分析 84
3.5.1 算法淺析 85
3.5.2 項目實踐 92
3.5.3 小結 94
3.6 信息檢索系統 95
3.6.1 什么是信息檢索系統 95
3.6.2 衡量信息檢索系統的關鍵指標 95
3.6.3 理解非結構化數據 97
3.6.4 倒排索引 98
3.6.5 處理查詢 100
3.6.6 項目實踐 102
3.6.7 Elasticsearch 103
3.6.8 小結 112
3.7 問答語料 113
3.7.1 WikiQA 113
3.7.2 中文版保險行業語料庫InsuranceQA 113
3.8 總結 115
4 深度學習初步116
4.1 深度學習簡史 116
4.1.1 感知機 116
4.1.2 寒冬和復蘇 117
4.1.3 走出實驗室 118
4.1.4 寒冬再臨 119
4.1.5 走向大規模實際應用 119
4.2 基本架構 120
4.2.1 神經元 121
4.2.2 輸入層、隱藏層和輸出層 122
4.2.3 標準符號 123
4.3 神經網絡是如何學習的 124
4.3.1 梯度下降 124
4.3.2 反向傳播理論 127
4.3.3 神經網絡全連接層的實現 130
4.3.4 使用簡單神經網絡實現問答任務 131
4.4 調整神經網絡超參數 136
4.4.1 超參數 136
4.4.2 參考建議 137
4.5 卷積神經網絡與池化 138
4.5.1 簡介 138
4.5.2 卷積層的前向傳播 139
4.5.3 池化層的前向傳播 141
4.5.4 卷積層的實現 141
4.5.5 池化層的實現 145
4.5.6 使用卷積神經網絡實現問答任務 148
4.6 循環神經網絡及其變種 149
4.6.1 簡介 149
4.6.2 循環神經網絡 149
4.6.3 長短期記憶單元和門控循環單元 153
4.6.4 循環神經網絡的實現 156
4.6.5 使用循環神經網絡實現問答任務 159
4.7 簡易神經網絡工具包 160
5 詞向量實現及應用161
5.1 語言模型 161
5.1.1 評測 162
5.1.2 ARPA 格式介紹 162
5.1.3 項目實踐 163
5.2 One-hot 表示法 164
5.3 詞袋模型 165
5.4 NNLM 和RNNLM 165
5.5 word2vec 168
5.5.1 C-BOW 的原理 169
5.5.2 Skip-gram 的原理 172
5.5.3 計算效率優化 174
5.5.4 項目實踐 179
5.6 GloVe 189
5.6.1 GloVe 的原理 189
5.6.2 GloVe 與word2vec 的區別和聯系 191
5.6.3 項目實踐 193
5.7 fastText 198
5.7.1 fastText 的原理 198
5.7.2 fastText 與word2vec 的區別和聯系 200
5.7.3 項目實踐 201
5.8 中文近義詞工具包 204
5.8.1 安裝 205
5.8.2 接口 205
5.9 總結 205
6 社區問答中的QA 匹配206
6.1 社區問答任務簡介 206
6.2 孿生網絡模型 207
6.3 QACNN 模型 207
6.3.1 模型構建 207
6.3.2 實驗結果 214
6.4 Decomposable Attention 模型 214
6.4.1 模型介紹 214
6.4.2 模型構建 216
6.5 多比較方式的比較?C集成模型 216
6.5.1 模型介紹 216
6.5.2 模型構建 218
6.6 BiMPM 模型 219
6.6.1 模型介紹 219
6.6.2 模型構建 221
7 機器閱讀理解222
7.1 完型填空型機器閱讀理解任務 222
7.1.1 CNN/Daily Mail 數據集 222
7.1.2 Children’s Book Test（CBT）數據集 223
7.1.3 GA Reader 模型 226
7.1.4 SA Reader 模型 227
7.1.5 AoA Reader 模型 228
7.2 答案抽取型機器閱讀理解任務 230
7.2.1 SQuAD 數據集 231
7.2.2 MS MARCO 數據集 232
7.2.3 TriviaQA 數據集 234
7.2.4 DuReader 數據集 235
7.2.5 BiDAF 模型 235
7.2.6 R-Net 模型 237
7.2.7 S-Net 模型 240
7.3 答案選擇型機器閱讀理解任務 243
7.4 展望 245
參考文獻 246
1.1 智能問答：讓機器更好地服務于人 1
1.2 問答系統類型介紹 2
1.2.1 基于事實的問答系統 3
1.2.2 基于常見問題集的問答系統 3
1.2.3 開放域的問答系統 4
1.3 使用本書附帶的源碼程序 4
1.3.1 安裝依賴軟件 4
1.3.2 下載源碼 5
1.3.3 執行示例程序 5
1.3.4 聯系我們 6
1.4 全書結構 6
2 機器學習基礎8
2.1 線性代數 8
2.1.1 標量、向量、矩陣和張量 8
2.1.2 矩陣運算 9
2.1.3 特殊類型的矩陣 10
2.1.4 線性相關 11
2.1.5 范數 12
2.2 概率論基礎 12
2.2.1 隨機變量 13
2.2.2 期望和方差 13
2.2.3 伯努利分布 14
2.2.4 二項分布 14
2.2.5 泊松分布 15
2.2.6 正態分布 15
2.2.7 條件概率、聯合概率和全概率 17
2.2.8 先驗概率與后驗概率 18
2.2.9 邊緣概率 18
2.2.10 貝葉斯公式 18
2.2.11 *大似然估計算法 19
2.2.12 線性回歸模型 20
2.2.13 邏輯斯蒂回歸模型 21
2.3 信息論基礎 22
2.3.1 熵 23
2.3.2 聯合熵和條件熵 23
2.3.3 相對熵與互信息 24
2.3.4 信道和信道容量 25
2.3.5 *大熵模型 26
2.3.6 信息論與機器學習 29
2.4 統計學習 29
2.4.1 輸入空間、特征空間與輸出空間 30
2.4.2 向量表示 30
2.4.3 數據集 31
2.4.4 從概率到函數 31
2.4.5 統計學習三要素 32
2.5 隱馬爾可夫模型 33
2.5.1 隨機過程和馬爾可夫鏈 33
2.5.2 隱馬爾可夫模型的定義 36
2.5.3 三個基本假設及適用場景 37
2.5.4 概率計算問題之直接計算 39
2.5.5 概率計算問題之前向算法 40
2.5.6 概率計算問題之后向算法 42
2.5.7 預測問題之維特比算法 45
2.5.8 學習問題之Baum-Welch 算法 48
2.6 條件隨機場模型 52
2.6.1 超越HMM 52
2.6.2 項目實踐 55
2.7 總結 59
3 自然語言處理基礎60
3.1 中文自動分詞 60
3.1.1 有向無環圖 61
3.1.2 *大匹配算法 63
3.1.3 算法評測 69
3.1.4 由字構詞的方法 72
3.2 詞性標注 77
3.2.1 詞性標注規范 77
3.2.2 隱馬爾可夫模型詞性標注 79
3.3 命名實體識別 81
3.4 上下文無關文法 82
3.4.1 原理介紹 83
3.4.2 算法淺析 83
3.5 依存關系分析 84
3.5.1 算法淺析 85
3.5.2 項目實踐 92
3.5.3 小結 94
3.6 信息檢索系統 95
3.6.1 什么是信息檢索系統 95
3.6.2 衡量信息檢索系統的關鍵指標 95
3.6.3 理解非結構化數據 97
3.6.4 倒排索引 98
3.6.5 處理查詢 100
3.6.6 項目實踐 102
3.6.7 Elasticsearch 103
3.6.8 小結 112
3.7 問答語料 113
3.7.1 WikiQA 113
3.7.2 中文版保險行業語料庫InsuranceQA 113
3.8 總結 115
4 深度學習初步116
4.1 深度學習簡史 116
4.1.1 感知機 116
4.1.2 寒冬和復蘇 117
4.1.3 走出實驗室 118
4.1.4 寒冬再臨 119
4.1.5 走向大規模實際應用 119
4.2 基本架構 120
4.2.1 神經元 121
4.2.2 輸入層、隱藏層和輸出層 122
4.2.3 標準符號 123
4.3 神經網絡是如何學習的 124
4.3.1 梯度下降 124
4.3.2 反向傳播理論 127
4.3.3 神經網絡全連接層的實現 130
4.3.4 使用簡單神經網絡實現問答任務 131
4.4 調整神經網絡超參數 136
4.4.1 超參數 136
4.4.2 參考建議 137
4.5 卷積神經網絡與池化 138
4.5.1 簡介 138
4.5.2 卷積層的前向傳播 139
4.5.3 池化層的前向傳播 141
4.5.4 卷積層的實現 141
4.5.5 池化層的實現 145
4.5.6 使用卷積神經網絡實現問答任務 148
4.6 循環神經網絡及其變種 149
4.6.1 簡介 149
4.6.2 循環神經網絡 149
4.6.3 長短期記憶單元和門控循環單元 153
4.6.4 循環神經網絡的實現 156
4.6.5 使用循環神經網絡實現問答任務 159
4.7 簡易神經網絡工具包 160
5 詞向量實現及應用161
5.1 語言模型 161
5.1.1 評測 162
5.1.2 ARPA 格式介紹 162
5.1.3 項目實踐 163
5.2 One-hot 表示法 164
5.3 詞袋模型 165
5.4 NNLM 和RNNLM 165
5.5 word2vec 168
5.5.1 C-BOW 的原理 169
5.5.2 Skip-gram 的原理 172
5.5.3 計算效率優化 174
5.5.4 項目實踐 179
5.6 GloVe 189
5.6.1 GloVe 的原理 189
5.6.2 GloVe 與word2vec 的區別和聯系 191
5.6.3 項目實踐 193
5.7 fastText 198
5.7.1 fastText 的原理 198
5.7.2 fastText 與word2vec 的區別和聯系 200
5.7.3 項目實踐 201
5.8 中文近義詞工具包 204
5.8.1 安裝 205
5.8.2 接口 205
5.9 總結 205
6 社區問答中的QA 匹配206
6.1 社區問答任務簡介 206
6.2 孿生網絡模型 207
6.3 QACNN 模型 207
6.3.1 模型構建 207
6.3.2 實驗結果 214
6.4 Decomposable Attention 模型 214
6.4.1 模型介紹 214
6.4.2 模型構建 216
6.5 多比較方式的比較?C集成模型 216
6.5.1 模型介紹 216
6.5.2 模型構建 218
6.6 BiMPM 模型 219
6.6.1 模型介紹 219
6.6.2 模型構建 221
7 機器閱讀理解222
7.1 完型填空型機器閱讀理解任務 222
7.1.1 CNN/Daily Mail 數據集 222
7.1.2 Children’s Book Test（CBT）數據集 223
7.1.3 GA Reader 模型 226
7.1.4 SA Reader 模型 227
7.1.5 AoA Reader 模型 228
7.2 答案抽取型機器閱讀理解任務 230
7.2.1 SQuAD 數據集 231
7.2.2 MS MARCO 數據集 232
7.2.3 TriviaQA 數據集 234
7.2.4 DuReader 數據集 235
7.2.5 BiDAF 模型 235
7.2.6 R-Net 模型 237
7.2.7 S-Net 模型 240
7.3 答案選擇型機器閱讀理解任務 243
7.4 展望 245
參考文獻 246
展開全部
智能問答與深度學習 相關資料
——王小川，搜狗CEO—— 本書不是簡單地羅列算法，而是指向了如何讓計算機處理語言這樣一個至有挑戰性的話題，以至終構造一個問答系統為目標，充滿了好奇和實踐精神，是陪伴你學習人工智能和語言處理難得的好書。 ——劉瑞芳，北京郵電大學模式識別實驗室副教授—— 對于大數據時代的文本分析，讀這一本書就夠了。本書由淺入深，從經典方法講到深度學習，以智能問答系統的建設為目標，涵蓋了文本處理發展歷程中各個里程碑式的方法。無論哪種語言，只有機器能夠“理解文本”，才有可能通過圖靈測試，希望本書能夠促進該領域的快速發展。 ——Leo Zhou，智言科技CEO—— 2018 年是人工智能的大元年，機器視覺、智能語音、自然語言理解、深度學習、區塊鏈等原本晦澀的技術術語涌入公眾視野，各種信息、軟文隨著媒體的大量宣傳變得似乎觸手可及。我們可以預見未來10年中國的人工智能將實現井噴式的增長，創業的浪潮也將推進各類AI 應用場景的落地，并塑造、培養數以萬計的AI 人才。本書聚焦智能問答，在信息碎片化時代幫助讀者梳理自然語言理解、機器學習、深度學習的學習邏輯，讓讀者更容易理解各類語義模型和算法背后的原理。希望本書能夠幫助讀者深入到聊天機器人的學習中。
智能問答與深度學習 作者簡介
——王海良—— Chatopera聯合創始人、CEO，微軟人工智能極有價值專家。畢業于北京郵電大學，加入IBM工作四年，先后工作于軟件開發實驗室和創新中心，從2016年開始工作于創業公司，三角獸AI算法工程師，呤呤英語AI產品負責人，負責智能對話系統研發。 ——李卓桓—— PreAngel合伙人，Plug and Play投資合伙人。擁有25年編程經驗，曾任優酷網首席科學家、嘰歪網創始人，水木清華BBS站長，紫霞BBS站長。Conversational AI實踐者，熱愛滑雪、跑酷、滑雪傘等極限運動。 ——林旭鳴—— 北京郵電大學模式識別實驗室研究生，目前的研究方向為深度學習、自然語言處理與機器閱讀理解。本科期間曾獲得國家獎學金，研究生期間多次在數據類競賽中取得Top 3的成績。曾在百度、滴滴出行、微軟等公司實習。
書友推薦
- >
羅曼·羅蘭讀書隨筆-精裝
- >
莉莉和章魚
- >
羅庸西南聯大授課錄
- >
巴金－再思錄
- >
伯納黛特,你要去哪(2021新版)
- >
山海經
- >
煙與鏡
- >
名家帶你讀魯迅:故事新編
本類暢銷
