中圖網(wǎng)小程序
一鍵登錄
更方便
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(yīng)用
-
>
決戰(zhàn)行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調(diào)優(yōu)實踐之路
-
>
第一行代碼Android
-
>
JAVA持續(xù)交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學(xué)習(xí)
買過本商品的人還買了
智能問答與深度學(xué)習(xí) 版權(quán)信息
- ISBN：9787121349218
- 條形碼：9787121349218 ; 978-7-121-34921-8
- 裝幀：一般膠版紙
- 冊數(shù)：暫無
- 重量：暫無
- 所屬分類：>
智能問答與深度學(xué)習(xí) 本書特色
《智能問答與深度學(xué)習(xí)》面向在校學(xué)生或計算機軟件從業(yè)人員，由淺入深地介紹了人工智能在文本任務(wù)中的應(yīng)用。《智能問答與深度學(xué)習(xí)》不但介紹了自然語言處理、深度學(xué)習(xí)和機器閱讀理解等基礎(chǔ)知識，還簡述了信息論、人工智能等的發(fā)展過程。
智能問答與深度學(xué)習(xí) 內(nèi)容簡介
本書面向在校學(xué)生或計算機軟件從業(yè)人員, 由淺入深地介紹了人工智能在文本任務(wù)中的應(yīng)用。該書不但介紹了自然語言處理、深度學(xué)習(xí)和機器閱讀理解等基礎(chǔ)知識, 還簡述了信息論、人工智能等的發(fā)展過程。
智能問答與深度學(xué)習(xí) 目錄
1 概述1
1.1 智能問答：讓機器更好地服務(wù)于人 1
1.2 問答系統(tǒng)類型介紹 2
1.2.1 基于事實的問答系統(tǒng) 3
1.2.2 基于常見問題集的問答系統(tǒng) 3
1.2.3 開放域的問答系統(tǒng) 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(zhí)行示例程序 5
1.3.4 聯(lián)系我們 6
1.4 全書結(jié)構(gòu) 6
2 機器學(xué)習(xí)基礎(chǔ)8
2.1 線性代數(shù) 8
2.1.1 標(biāo)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(guān) 11
2.1.5 范數(shù) 12
2.2 概率論基礎(chǔ) 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(tài)分布 15
2.2.7 條件概率、聯(lián)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(chǔ) 22
2.3.1 熵 23
2.3.2 聯(lián)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(xué)習(xí) 29
2.4 統(tǒng)計學(xué)習(xí) 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(shù)據(jù)集 31
2.4.4 從概率到函數(shù) 31
2.4.5 統(tǒng)計學(xué)習(xí)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(shè)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(yù)測問題之維特比算法 45
2.5.8 學(xué)習(xí)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(jié) 59
3 自然語言處理基礎(chǔ)60
3.1 中文自動分詞 60
3.1.1 有向無環(huán)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(gòu)詞的方法 72
3.2 詞性標(biāo)注 77
3.2.1 詞性標(biāo)注規(guī)范 77
3.2.2 隱馬爾可夫模型詞性標(biāo)注 79
3.3 命名實體識別 81
3.4 上下文無關(guān)文法 82
3.4.1 原理介紹 83
3.4.2 算法淺析 83
3.5 依存關(guān)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(jié) 94
3.6 信息檢索系統(tǒng) 95
3.6.1 什么是信息檢索系統(tǒng) 95
3.6.2 衡量信息檢索系統(tǒng)的關(guān)鍵指標(biāo) 95
3.6.3 理解非結(jié)構(gòu)化數(shù)據(jù) 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(jié) 112
3.7 問答語料 113
3.7.1 WikiQA 113
3.7.2 中文版保險行業(yè)語料庫InsuranceQA 113
3.8 總結(jié) 115
4 深度學(xué)習(xí)初步116
4.1 深度學(xué)習(xí)簡史 116
4.1.1 感知機 116
4.1.2 寒冬和復(fù)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(guī)模實際應(yīng)用 119
4.2 基本架構(gòu) 120
4.2.1 神經(jīng)元 121
4.2.2 輸入層、隱藏層和輸出層 122
4.2.3 標(biāo)準(zhǔn)符號 123
4.3 神經(jīng)網(wǎng)絡(luò)是如何學(xué)習(xí)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(jīng)網(wǎng)絡(luò)全連接層的實現(xiàn) 130
4.3.4 使用簡單神經(jīng)網(wǎng)絡(luò)實現(xiàn)問答任務(wù) 131
4.4 調(diào)整神經(jīng)網(wǎng)絡(luò)超參數(shù) 136
4.4.1 超參數(shù) 136
4.4.2 參考建議 137
4.5 卷積神經(jīng)網(wǎng)絡(luò)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(xiàn) 141
4.5.5 池化層的實現(xiàn) 145
4.5.6 使用卷積神經(jīng)網(wǎng)絡(luò)實現(xiàn)問答任務(wù) 148
4.6 循環(huán)神經(jīng)網(wǎng)絡(luò)及其變種 149
4.6.1 簡介 149
4.6.2 循環(huán)神經(jīng)網(wǎng)絡(luò) 149
4.6.3 長短期記憶單元和門控循環(huán)單元 153
4.6.4 循環(huán)神經(jīng)網(wǎng)絡(luò)的實現(xiàn) 156
4.6.5 使用循環(huán)神經(jīng)網(wǎng)絡(luò)實現(xiàn)問答任務(wù) 159
4.7 簡易神經(jīng)網(wǎng)絡(luò)工具包 160
5 詞向量實現(xiàn)及應(yīng)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(yōu)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(qū)別和聯(lián)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(qū)別和聯(lián)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(jié) 205
6 社區(qū)問答中的QA 匹配206
6.1 社區(qū)問答任務(wù)簡介 206
6.2 孿生網(wǎng)絡(luò)模型 207
6.3 QACNN 模型 207
6.3.1 模型構(gòu)建 207
6.3.2 實驗結(jié)果 214
6.4 Decomposable Attention 模型 214
6.4.1 模型介紹 214
6.4.2 模型構(gòu)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(gòu)建 218
6.6 BiMPM 模型 219
6.6.1 模型介紹 219
6.6.2 模型構(gòu)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(wù) 222
7.1.1 CNN/Daily Mail 數(shù)據(jù)集 222
7.1.2 Children’s Book Test（CBT）數(shù)據(jù)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(wù) 230
7.2.1 SQuAD 數(shù)據(jù)集 231
7.2.2 MS MARCO 數(shù)據(jù)集 232
7.2.3 TriviaQA 數(shù)據(jù)集 234
7.2.4 DuReader 數(shù)據(jù)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(wù) 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(wù)于人 1
1.2 問答系統(tǒng)類型介紹 2
1.2.1 基于事實的問答系統(tǒng) 3
1.2.2 基于常見問題集的問答系統(tǒng) 3
1.2.3 開放域的問答系統(tǒng) 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(zhí)行示例程序 5
1.3.4 聯(lián)系我們 6
1.4 全書結(jié)構(gòu) 6
2 機器學(xué)習(xí)基礎(chǔ)8
2.1 線性代數(shù) 8
2.1.1 標(biāo)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(guān) 11
2.1.5 范數(shù) 12
2.2 概率論基礎(chǔ) 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(tài)分布 15
2.2.7 條件概率、聯(lián)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(chǔ) 22
2.3.1 熵 23
2.3.2 聯(lián)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(xué)習(xí) 29
2.4 統(tǒng)計學(xué)習(xí) 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(shù)據(jù)集 31
2.4.4 從概率到函數(shù) 31
2.4.5 統(tǒng)計學(xué)習(xí)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(shè)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(yù)測問題之維特比算法 45
2.5.8 學(xué)習(xí)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(jié) 59
3 自然語言處理基礎(chǔ)60
3.1 中文自動分詞 60
3.1.1 有向無環(huán)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(gòu)詞的方法 72
3.2 詞性標(biāo)注 77
3.2.1 詞性標(biāo)注規(guī)范 77
3.2.2 隱馬爾可夫模型詞性標(biāo)注 79
3.3 命名實體識別 81
3.4 上下文無關(guān)文法 82
3.4.1 原理介紹 83
3.4.2 算法淺析 83
3.5 依存關(guān)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(jié) 94
3.6 信息檢索系統(tǒng) 95
3.6.1 什么是信息檢索系統(tǒng) 95
3.6.2 衡量信息檢索系統(tǒng)的關(guān)鍵指標(biāo) 95
3.6.3 理解非結(jié)構(gòu)化數(shù)據(jù) 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(jié) 112
3.7 問答語料 113
3.7.1 WikiQA 113
3.7.2 中文版保險行業(yè)語料庫InsuranceQA 113
3.8 總結(jié) 115
4 深度學(xué)習(xí)初步116
4.1 深度學(xué)習(xí)簡史 116
4.1.1 感知機 116
4.1.2 寒冬和復(fù)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(guī)模實際應(yīng)用 119
4.2 基本架構(gòu) 120
4.2.1 神經(jīng)元 121
4.2.2 輸入層、隱藏層和輸出層 122
4.2.3 標(biāo)準(zhǔn)符號 123
4.3 神經(jīng)網(wǎng)絡(luò)是如何學(xué)習(xí)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(jīng)網(wǎng)絡(luò)全連接層的實現(xiàn) 130
4.3.4 使用簡單神經(jīng)網(wǎng)絡(luò)實現(xiàn)問答任務(wù) 131
4.4 調(diào)整神經(jīng)網(wǎng)絡(luò)超參數(shù) 136
4.4.1 超參數(shù) 136
4.4.2 參考建議 137
4.5 卷積神經(jīng)網(wǎng)絡(luò)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(xiàn) 141
4.5.5 池化層的實現(xiàn) 145
4.5.6 使用卷積神經(jīng)網(wǎng)絡(luò)實現(xiàn)問答任務(wù) 148
4.6 循環(huán)神經(jīng)網(wǎng)絡(luò)及其變種 149
4.6.1 簡介 149
4.6.2 循環(huán)神經(jīng)網(wǎng)絡(luò) 149
4.6.3 長短期記憶單元和門控循環(huán)單元 153
4.6.4 循環(huán)神經(jīng)網(wǎng)絡(luò)的實現(xiàn) 156
4.6.5 使用循環(huán)神經(jīng)網(wǎng)絡(luò)實現(xiàn)問答任務(wù) 159
4.7 簡易神經(jīng)網(wǎng)絡(luò)工具包 160
5 詞向量實現(xiàn)及應(yīng)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(yōu)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(qū)別和聯(lián)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(qū)別和聯(lián)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(jié) 205
6 社區(qū)問答中的QA 匹配206
6.1 社區(qū)問答任務(wù)簡介 206
6.2 孿生網(wǎng)絡(luò)模型 207
6.3 QACNN 模型 207
6.3.1 模型構(gòu)建 207
6.3.2 實驗結(jié)果 214
6.4 Decomposable Attention 模型 214
6.4.1 模型介紹 214
6.4.2 模型構(gòu)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(gòu)建 218
6.6 BiMPM 模型 219
6.6.1 模型介紹 219
6.6.2 模型構(gòu)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(wù) 222
7.1.1 CNN/Daily Mail 數(shù)據(jù)集 222
7.1.2 Children’s Book Test（CBT）數(shù)據(jù)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(wù) 230
7.2.1 SQuAD 數(shù)據(jù)集 231
7.2.2 MS MARCO 數(shù)據(jù)集 232
7.2.3 TriviaQA 數(shù)據(jù)集 234
7.2.4 DuReader 數(shù)據(jù)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(wù) 243
7.4 展望 245
參考文獻 246
展開全部
智能問答與深度學(xué)習(xí) 相關(guān)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(zhàn)性的話題，以至終構(gòu)造一個問答系統(tǒng)為目標(biāo)，充滿了好奇和實踐精神，是陪伴你學(xué)習(xí)人工智能和語言處理難得的好書。 ——劉瑞芳，北京郵電大學(xué)模式識別實驗室副教授—— 對于大數(shù)據(jù)時代的文本分析，讀這一本書就夠了。本書由淺入深，從經(jīng)典方法講到深度學(xué)習(xí)，以智能問答系統(tǒng)的建設(shè)為目標(biāo)，涵蓋了文本處理發(fā)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(lǐng)域的快速發(fā)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(xué)習(xí)、區(qū)塊鏈等原本晦澀的技術(shù)術(shù)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(yù)見未來10年中國的人工智能將實現(xiàn)井噴式的增長，創(chuàng)業(yè)的浪潮也將推進各類AI 應(yīng)用場景的落地，并塑造、培養(yǎng)數(shù)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(xué)習(xí)、深度學(xué)習(xí)的學(xué)習(xí)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(xué)習(xí)中。
智能問答與深度學(xué)習(xí) 作者簡介
——王海良—— Chatopera聯(lián)合創(chuàng)始人、CEO，微軟人工智能極有價值專家。畢業(yè)于北京郵電大學(xué)，加入IBM工作四年，先后工作于軟件開發(fā)實驗室和創(chuàng)新中心，從2016年開始工作于創(chuàng)業(yè)公司，三角獸AI算法工程師，呤呤英語AI產(chǎn)品負責(zé)人，負責(zé)智能對話系統(tǒng)研發(fā)。 ——李卓桓—— PreAngel合伙人，Plug and Play投資合伙人。擁有25年編程經(jīng)驗，曾任優(yōu)酷網(wǎng)首席科學(xué)家、嘰歪網(wǎng)創(chuàng)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(xué)模式識別實驗室研究生，目前的研究方向為深度學(xué)習(xí)、自然語言處理與機器閱讀理解。本科期間曾獲得國家獎學(xué)金，研究生期間多次在數(shù)據(jù)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(xí)。
書友推薦
- >
我與地壇
- >
煙與鏡
- >
中國歷史的瞬間
- >
名家?guī)阕x魯迅:故事新編
- >
有舍有得是人生
- >
姑媽的寶刀
- >
經(jīng)典常談
- >
人文閱讀與收藏·良友文學(xué)叢書:一天的工作
本類暢銷
