中圖網小程序
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
自然語言處理(普通高等教育人工智能專業系列教材) 版權信息
- ISBN：9787522605272
- 條形碼：9787522605272 ; 978-7-5226-0527-2
- 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(普通高等教育人工智能專業系列教材) 內容簡介
自然語言處理是人工智能的重要分支，本書是一本自然語言處理的入門教材，主要面向高年級本科生和低年級研究生。本著理論結合實踐的基本原則，本書共分為11章，其中第1章概述了自然語言處理的研究內容、發展歷程、技術特色和當前現狀，是概述性的一章。第2章是自然語言處理的編程基礎，對Python語言及其相關模塊進行了介紹。第3章是自然語言處理的算法基礎，主要對常見的機器學習算法（分類算法、聚類算法、模型評估方法、概率圖模型、集成學習、人工神經網絡等）進行了講解。第4～5章從統計學方法入手講解了自然語言處理的兩個基礎任務：分詞和關鍵詞抽取。第6章則講解了當前流行的詞向量技術，尤其是Word2vec和大規模預訓練模型BERT。第7～11章分別對當前自然語言處理的熱門研究領域展開講解，包括文本分類、信息抽取、機器閱讀理解、文本生成和摘要抽取、對話和聊天系統等。 本書除了可以作為高等院校計算機、大數據和人工智能及其相關專業的本科生和研究生教材，也可供對自然語言處理技術感興趣的研究人員和工程技術人員閱讀參考。
自然語言處理(普通高等教育人工智能專業系列教材) 目錄
前言
第1章 自然語言處理概述
1.1 自然語言處理的定義
1.2 自然語言處理的應用領域
1.3 自然語言處理的發展歷程
1.4 自然語言處理的研究現狀和發展趨勢
1.5 自然語言處理的知識和技術儲備
本章小結
第2章 自然語言處理編程基礎
2.1 Python基礎
2.1.1 Python語言概述
2.1.2 Python基礎知識
2.2 NumPy和Pandas的使用
2.2.1 NumPy的使用
2.2.2 Pandas的使用
2.3 深度學習框架PyTorch
2.3.1 PyTorch簡介及環境搭建
2.3.2 PyTorch入門
本章小結
第3章 機器學習算法基礎
3.1 分類算法
3.1.1 樸素貝葉斯模型
3.1.2 決策樹模型
3.1.3 支持向量機模型
3.1.4 邏輯回歸模型
3.2 聚類算法
3.2.1 原型聚類
3.2.2 密度聚類
3.2.3 層次聚類
3.3 模型評估與選擇
3.3.1 經驗誤差與過擬合
3.3.2 評估方法
3.3.3 性能度量
3.4 概率圖模型
3.4.1 隱馬爾可夫模型（HMM）
3.4.2 條件隨機場模型
3.4.3 LDA模型
3.5 集成學習
3.5.1 個體與集成
3.5.2 XGboost模型
3.5.3 Bagging和隨機森林
3.6 人工神經網絡與深度學習
3.6.1 人工神經網絡與深度學習概述
3.6.2 BP神經網絡
3.6.3 卷積神經網絡（CNN）
3.6.4 循環神經網絡（RNN）與LSTM
本章小結
第4章 中文分詞
4.1 基于詞表的分詞算法
4.1.1 正向優選匹配算法
4.1.2 逆向優選匹配算法
4.1.3 雙向優選匹配算法
4.1.4 案例實現
4.2 基于統計模型的分詞算法
4.2.1 N-gram模型
4.2.2 基于N-gram模型的分詞算法
4.2.3 案例實現
4.3 基于序列標注的分詞算法
4.3.1 序列標注下的隱馬爾可夫模型
4.3.2 基于隱馬爾可夫模型進行中文分詞
4.3.3 維特比（Viterbi）算法
4.3.4 其他基于序列標注的分詞算法
4.3.5 案例實現
4.4 中文分詞工具
4.4.1 常見的中文分詞工具
4.4.2 Jieba分詞
4.4.3 案例實現
本章小結
第5章 關鍵詞提取
5.1 TextRank關鍵詞提取算法
5.1.1 PageRank算法
5.1.2 TextRank算法
5.1.3 案例實現
5.2 TE-IDF關鍵詞提取算法
5.2.1 評估詞的重要性的常見指標
5.2.2 TF-IDF算法
5.2.3 案例實現
本章小結
第6章 訓向量技術
6.1 詞向量技術發展歷程
6.1.1 詞向量概述
6.1.2 詞向量的發展歷程
6.2 Word2vec
6.2.1 Word2vec的基本原理
6.2.2 Word2vec的兩種訓練模型
6.2.3 Word2vec的兩種優化方法
6.2.4 案例實現
6.3 注意力機制
6.3.1 Encoder-Decoder樞架
6.3.2 注意力機制概述
6.3.3 注意力機制的發展
6.4 BERT預訓練模型
6.4.1 Transformer模型
6.4.2 BERT模型
6.4.3 案例實現
本章小結
第7章 文本分類
7.1 文本分類概述
7.2 基于樸素貝葉斯的文本分類方法
7.2.1 基于樸素貝葉斯算法的文本分類流程
7.2.2 案例實現
7.3 基于深度學習的文本分類
7.3.1 基于卷積神經網絡的文本分類
7.3.2 案例實現
7.4 開放領域文本分類
7.4.1 開放領域文本分類簡介
7.4.2 案例實現
本章小結
第8章 文本信息抽取
8.1 命名實體識別
8.1.1 命名實體識別概述
8.1.2 基于LSTM的命名實體識別
8.1.3 細粒度命名實體識別
8.2 實體關系抽取
8.2.1 關系抽取概述
8.2.2 基于卷積神經網絡的關系抽取算法
8.2.3 實體關系的聯合抽取算法
8.3 事件抽取
8.3.1 事件抽取概述
8.3.2 事件檢測
8.3.3 事件元素抽取
本章小結
第9章 機器閱讀理解
9.1 機器閱讀理解概述
9.2 抽取式閱讀理解
9.2.1 抽取式閱讀理解概述
9.2.2 基于BiDAF的抽取式閱讀理解案例
9.2.3 基于預訓練模型的抽取式閱讀理解
9.3 選擇式閱讀理解
9.3.1 選擇式閱讀理解概述
9.3.2 基于Co-Match的選擇式閱讀理解案例
9.3.3 基于預訓練模型的選擇式閱讀理解
本章小結
第10章 文本生成與文本摘要
10.1 文本生成與文本摘要概述
10.2 抽取式文本摘要
10.2.1 傳統方法
10.2.2 基于RNN的抽取式文本摘要
10.2.3 基于預訓練模型的抽取式文本摘要
10.3 生成式文本摘要
10.3.1 早期的Seq2Seg模型
10.3.2 Seq2Seq+Atention模型
10.3.3 指針生成網絡
10.3.4 預訓練模型+微調
10.4 文本摘要案例
10.4.1 文本摘要常用數據集
10.4.2 使用TextRank進行簡單的抽取式摘要
10.4.3 使用預訓練模型進行文本摘要
本章小結
第11章 對話系統
11.1 任務型對話系統
11.1.1 模塊化方法
……
參考文獻
展開全部
自然語言處理(普通高等教育人工智能專業系列教材) 作者簡介
馮建周，計算機應用技術專業博士，副教授，碩士生導師。現任職于燕山大學信息科學與工程學院，擔任軟件工程系黨支部書記。現為中國計算機學會高級會員，中國計算機學會大數據專家委員會專委，中國中文信息學會語言與知識計算專委會委員，信息技術新工科產學聯盟大數據與智能計算工委會委員。燕山大學新工科“軟件工程+大數據”方向負責人，“大牛-燕山大學法律智能聯合創新實驗室”主任，研究方向為自然語言處理與知識圖譜。先后在《自動化學報》《電子學報》《Semantics, Knowledge andGrids》等國內外重要期刊和學術會議發表學術論文20余篇，主持或作為主要參加人完成國家自然科學基金和河北省自然科學基金項目多項，在研項目包括國家重點研發計劃子課題《智慧矛盾糾紛調解平臺構建與應用示范研究》，河北省高等學校科學技術研究項目《基于關聯知識網絡的群體行為分析和預測方法的研究》等。主講《大數據原理與技術》《Python機器學習》等課程。
書友推薦
- >
隨園食單
- >
煙與鏡
- >
月亮虎
- >
企鵝口袋書系列·偉大的思想20:論自然選擇(英漢雙語)
- >
伯納黛特,你要去哪(2021新版)
- >
【精裝繪本】畫給孩子的中國神話
- >
莉莉和章魚
- >
上帝之肋:男人的真實旅程
本類暢銷
