中圖網小程序
一鍵登錄
更方便
本類五星書更多>
-
>
闖進數學世界――探秘歷史名題
-
>
中醫基礎理論
-
>
當代中國政府與政治(新編21世紀公共管理系列教材)
-
>
高校軍事課教程
-
>
思想道德與法治(2021年版)
-
>
毛澤東思想和中國特色社會主義理論體系概論(2021年版)
-
>
中醫內科學·全國中醫藥行業高等教育“十四五”規劃教材
自然語言處理基礎教程 版權信息
- ISBN：9787111692591
- 條形碼：9787111692591 ; 978-7-111-69259-1
- 裝幀：一般膠版紙
- 冊數：暫無
- 重量：暫無
- 所屬分類：>>
自然語言處理基礎教程 本書特色
用通俗易懂的語言、豐富的案例帶你進入自然語言處理的大門
自然語言處理基礎教程 內容簡介
本書面向初學者介紹了自然語言處理的基礎知識，包括詞法分析、句法分析、基于機器學習的文本分析、深度學習與神經網絡、詞嵌入與詞向量以及自然語言處理與卷積神經網絡、循環神經網絡技術及應用。本書深入淺出，案例豐富，可作為高校人工智能、大數據、計算機及相關專業本科生的教材，也可供對自然語言處理有興趣的技術人員作為參考書。
自然語言處理基礎教程 目錄
前言
第1章 自然語言處理概述1
11 自然語言處理的基本概念1
111 什么是自然語言處理1
112 自然語言處理的層次2
113 自然語言處理的發展歷程3
12 自然語言處理技術面臨的困難6
121 歧義6
122 知識的獲取、表達及運用7
123 計算問題8
13 自然語言處理的主要研究任務和應用8
131 自然語言處理的主要研究任務8
132 自然語言處理的典型應用10
14 搭建自然語言處理開發環境11
141 Anaconda11
142 scikit-learn15
143 Jupyter Notebook15
15 本章小結16
16 習題17
第2章 詞法分析18
21 什么是詞法分析18
22 分詞19
221 中文分詞簡介19
222 基于詞典的分詞方法20
223 基于統計的分詞方法21
224 實例—使用N-gram語言模型進行語法糾正24
225 中文分詞工具簡介27
226 實例—使用jieba進行高頻詞提取30
23 關鍵詞提取32
231 TF-IDF算法32
232 TextRank算法33
233 實例—提取文本關鍵詞34
24 詞性標注40
241 詞性標注簡介40
242 隱馬爾可夫模型41
243 Viterbi算法43
244 *大熵模型44
25 命名實體識別46
251 命名實體識別簡介46
252 條件隨機場模型47
253 實例—使用jieba進行日期識別48
26 本章小結52
27 習題53
第3章 句法分析54
31 什么是句法分析54
32 句法分析樹庫及性能評測56
321 句法分析語料庫56
322 句法分析模型的性能評測59
33 概率上下文無關文法59
34 依存句法分析62
341 基于圖模型的依存句法分析63
342 基于轉移模型的依存句法分析63
35 中文句法分析工具簡介65
36 實例—中文句法分析66
37 本章小結68
38 習題68
第4章 基于機器學習的文本分類69
41 機器學習簡介69
411 scikit-learn簡介71
412 機器學習基本概念72
413 機器學習問題分類73
42 樸素貝葉斯分類器76
43 邏輯回歸分類器80
44 支持向量機分類器84
45 文本聚類89
46 實例—垃圾郵件分類94
47 本章小結99
48 習題99
第5章 深度學習與神經網絡101
51 深度學習與神經網絡簡介101
52 人工神經網絡102
521 生物神經元102
522 感知器103
523 激活函數105
524 神經網絡110
53 前饋神經網絡110
531 前饋神經網絡的結構110
532 前向傳播111
533 損失函數112
534 反向傳播算法113
535 優化方法114
54 深度學習框架116
541 TensorFlow116
542 Keras118
543 PyTorch119
544 PaddlePaddle120
55 實例—使用MLP實現手寫數字識別122
551 數據準備122
552 創建MLP122
553 模型訓練123
554 模型評價124
56 本章小結125
57 習題126
第6章 詞嵌入與詞向量127
61 文本向量化127
62 One-Hot編碼128
63 詞嵌入130
631 什么是詞嵌入130
632 詞嵌入的實現131
633 語義信息132
64 Word2Vec133
641 Word2Vec簡介133
642 Word2Vec的應用134
643 使用gensim包訓練詞向量136
65 Doc2Vec138
651 PV-DM139
652 PV-DBOW140
66 實例—利用Doc2Vec計算文檔相似度140
661 準備語料庫140
662 定義和訓練模型141
663 分析文本相似度142
67 本章小結145
68 習題145
第7章 卷積神經網絡與自然語言處理146
71 卷積神經網絡簡介146
711 深層神經網絡用于圖像處理存在的問題146
712 什么是卷積148
713 填充150
714 步長151
715 什么是卷積神經網絡151
72 應用卷積神經網絡解決自然語言處理問題152
721 NLP中的卷積層152
722 NLP中的池化層154
723 NLP中CNN的基本架構155
73 CNN在應用中的超參數選擇156
731 激活函數156
732 卷積核的大小和個數156
733 dropout層156
734 softmax分類器157
74 實例—使用CNN實現新聞文本分類158
741 準備數據158
742 定義和訓練模型163
75 本章小結165
76 習題166
第8章 循環神經網絡與自然語言處理167
81 循環神經網絡的基本結構168
82 循環神經網絡應用于自然語言處理170
821 序列到類別170
822 同步序列到序列171
823 異步序列到序列172
83 循環神經網絡的訓練173
831 隨時間反向傳播算法173
832 權重的更新174
833 梯度消失與梯度爆炸175
84 長短期記憶網絡175
841 細胞狀態177
842 門控機制177
85 門控循環單元網絡181
86 更深的網絡184
861 堆疊循環神經網絡184
862 雙向循環神經網絡185
87 實例—使用LSTM網絡實現文本情感分析186
871 數據準備186
872 構建和訓練模型187
88 本章小結190
89 習題191
第9章 序列到序列模型與注意力機制192
91 序列到序列模型192
911 什么是序列到序列模型192
912 編碼–解碼架構193
913 編碼器194
914 解碼器195
915 模型訓練197
92 注意力機制198
921 什么是注意力機制198
922 計算語義
第1章 自然語言處理概述1
11 自然語言處理的基本概念1
111 什么是自然語言處理1
112 自然語言處理的層次2
113 自然語言處理的發展歷程3
12 自然語言處理技術面臨的困難6
121 歧義6
122 知識的獲取、表達及運用7
123 計算問題8
13 自然語言處理的主要研究任務和應用8
131 自然語言處理的主要研究任務8
132 自然語言處理的典型應用10
14 搭建自然語言處理開發環境11
141 Anaconda11
142 scikit-learn15
143 Jupyter Notebook15
15 本章小結16
16 習題17
第2章 詞法分析18
21 什么是詞法分析18
22 分詞19
221 中文分詞簡介19
222 基于詞典的分詞方法20
223 基于統計的分詞方法21
224 實例—使用N-gram語言模型進行語法糾正24
225 中文分詞工具簡介27
226 實例—使用jieba進行高頻詞提取30
23 關鍵詞提取32
231 TF-IDF算法32
232 TextRank算法33
233 實例—提取文本關鍵詞34
24 詞性標注40
241 詞性標注簡介40
242 隱馬爾可夫模型41
243 Viterbi算法43
244 *大熵模型44
25 命名實體識別46
251 命名實體識別簡介46
252 條件隨機場模型47
253 實例—使用jieba進行日期識別48
26 本章小結52
27 習題53
第3章 句法分析54
31 什么是句法分析54
32 句法分析樹庫及性能評測56
321 句法分析語料庫56
322 句法分析模型的性能評測59
33 概率上下文無關文法59
34 依存句法分析62
341 基于圖模型的依存句法分析63
342 基于轉移模型的依存句法分析63
35 中文句法分析工具簡介65
36 實例—中文句法分析66
37 本章小結68
38 習題68
第4章 基于機器學習的文本分類69
41 機器學習簡介69
411 scikit-learn簡介71
412 機器學習基本概念72
413 機器學習問題分類73
42 樸素貝葉斯分類器76
43 邏輯回歸分類器80
44 支持向量機分類器84
45 文本聚類89
46 實例—垃圾郵件分類94
47 本章小結99
48 習題99
第5章 深度學習與神經網絡101
51 深度學習與神經網絡簡介101
52 人工神經網絡102
521 生物神經元102
522 感知器103
523 激活函數105
524 神經網絡110
53 前饋神經網絡110
531 前饋神經網絡的結構110
532 前向傳播111
533 損失函數112
534 反向傳播算法113
535 優化方法114
54 深度學習框架116
541 TensorFlow116
542 Keras118
543 PyTorch119
544 PaddlePaddle120
55 實例—使用MLP實現手寫數字識別122
551 數據準備122
552 創建MLP122
553 模型訓練123
554 模型評價124
56 本章小結125
57 習題126
第6章 詞嵌入與詞向量127
61 文本向量化127
62 One-Hot編碼128
63 詞嵌入130
631 什么是詞嵌入130
632 詞嵌入的實現131
633 語義信息132
64 Word2Vec133
641 Word2Vec簡介133
642 Word2Vec的應用134
643 使用gensim包訓練詞向量136
65 Doc2Vec138
651 PV-DM139
652 PV-DBOW140
66 實例—利用Doc2Vec計算文檔相似度140
661 準備語料庫140
662 定義和訓練模型141
663 分析文本相似度142
67 本章小結145
68 習題145
第7章 卷積神經網絡與自然語言處理146
71 卷積神經網絡簡介146
711 深層神經網絡用于圖像處理存在的問題146
712 什么是卷積148
713 填充150
714 步長151
715 什么是卷積神經網絡151
72 應用卷積神經網絡解決自然語言處理問題152
721 NLP中的卷積層152
722 NLP中的池化層154
723 NLP中CNN的基本架構155
73 CNN在應用中的超參數選擇156
731 激活函數156
732 卷積核的大小和個數156
733 dropout層156
734 softmax分類器157
74 實例—使用CNN實現新聞文本分類158
741 準備數據158
742 定義和訓練模型163
75 本章小結165
76 習題166
第8章 循環神經網絡與自然語言處理167
81 循環神經網絡的基本結構168
82 循環神經網絡應用于自然語言處理170
821 序列到類別170
822 同步序列到序列171
823 異步序列到序列172
83 循環神經網絡的訓練173
831 隨時間反向傳播算法173
832 權重的更新174
833 梯度消失與梯度爆炸175
84 長短期記憶網絡175
841 細胞狀態177
842 門控機制177
85 門控循環單元網絡181
86 更深的網絡184
861 堆疊循環神經網絡184
862 雙向循環神經網絡185
87 實例—使用LSTM網絡實現文本情感分析186
871 數據準備186
872 構建和訓練模型187
88 本章小結190
89 習題191
第9章 序列到序列模型與注意力機制192
91 序列到序列模型192
911 什么是序列到序列模型192
912 編碼–解碼架構193
913 編碼器194
914 解碼器195
915 模型訓練197
92 注意力機制198
921 什么是注意力機制198
922 計算語義
展開全部
書友推薦
- >
李白與唐代文化
- >
名家帶你讀魯迅:朝花夕拾
- >
我從未如此眷戀人間
- >
煙與鏡
- >
月亮虎
- >
小考拉的故事-套裝共3冊
- >
史學評論
- >
伊索寓言-世界文學名著典藏-全譯本
本類暢銷
