簡體網頁||繁體網頁

☆☆☆☆☆

店鋪： 藍墨水圖書專營店

齣版社： 電子工業齣版社

ISBN：9787121307652

商品編碼：11260632402

齣版時間：2017-02-01

頁數：1

字數：1

NLP漢語自然語言處理原理與實踐+深度學習:原理與應用實踐 

深度學習：原理與應用實踐

內容簡介深度學習：原理與應用實踐》全麵、係統地介紹深度學習相關的技術，包括人工神經網絡，捲積神經網絡，深度學習平颱及源代碼分析，深度學習入門與進階，深度學習高級實踐，所有章節均附有源程序，所有實驗讀者均可重現，具有高度的可操作性和實用性。通過學習本書，研究人員、深度學習愛好者，能夠在3 個月內，係統掌握深度學習相關的理論和技術。
目錄

深度學習基礎篇

第1 章 緒論 2

1．1 引言 2

1．1．1 Google 的深度學習成果 2

1．1．2 Microsoft 的深度學習成果 3

1．1．3 國內公司的深度學習成果 3

1．2 深度學習技術的發展曆程 4

1．3 深度學習的應用領域 6

1．3．1 圖像識彆領域 6

1．3．2 語音識彆領域 6

1．3．3 自然語言理解領域 7

1．4 如何開展深度學習的研究和應用開發 7

本章參考文獻 11

第2 章 國內外深度學習技術研發現狀及其産業化趨勢 13

2．1 Google 在深度學習領域的研發現狀 13

2．1．1 深度學習在Google 的應用 13

2．1．2 Google 的TensorFlow 深度學習平颱 14

2．1．3 Google 的深度學習芯片TPU 15

2．2 Facebook 在深度學習領域的研發現狀 15

2．2．1 Torchnet 15

2．2．2 DeepText 16

2．3 百度在深度學習領域的研發現狀 17

2．3．1 光學字符識彆 17

2．3．2 商品圖像搜索 17

2．3．3 在綫廣告 18

2．3．4 以圖搜圖 18

2．3．5 語音識彆 18

2．3．6 百度開源深度學習平颱MXNet 及其改進的深度語音識彆係統Warp-CTC 19

2．4 阿裏巴巴在深度學習領域的研發現狀 19

2．4．1 拍立淘 19

2．4．2 阿裏小蜜――智能客服Messenger 20

2．5 京東在深度學習領域的研發現狀 20

2．6 騰訊在深度學習領域的研發現狀 21

2．7 科創型公司（基於深度學習的人臉識彆係統） 22

2．8 深度學習的硬件支撐――NVIDIA GPU 23

本章參考文獻 24

深度學習理論篇

第3 章 神經網絡 30

3．1 神經元的概念 30

3．2 神經網絡 31

3．2．1 後嚮傳播算法 32

3．2．2 後嚮傳播算法推導 33

3．3 神經網絡算法示例 36

本章參考文獻 38

第4 章 捲積神經網絡 39

4．1 捲積神經網絡特性 39

4．1．1 局部連接 40

4．1．2 權值共享 41

4．1．3 空間相關下采樣 42

4．2 捲積神經網絡操作 42

4．2．1 捲積操作 42

4．2．2 下采樣操作 44

4．3 捲積神經網絡示例：LeNet-5 45

本章參考文獻 48

深度學習工具篇

第5 章 深度學習工具Caffe 50

5．1 Caffe 的安裝 50

5．1．1 安裝依賴包 51

5．1．2 CUDA 安裝 51

5．1．3 MATLAB 和Python 安裝 54

5．1．4 OpenCV 安裝（可選） 59

5．1．5 Intel MKL 或者BLAS 安裝 59

5．1．6 Caffe 編譯和測試 59

5．1．7 Caffe 安裝問題分析 62

5．2 Caffe 框架與源代碼解析 63

5．2．1 數據層解析 63

5．2．2 網絡層解析 74

5．2．3 網絡結構解析 92

5．2．4 網絡求解解析 104

本章參考文獻 109

第6 章 深度學習工具Pylearn2 110

6．1 Pylearn2 的安裝 110

6．1．1 相關依賴安裝 110

6．1．2 安裝Pylearn2 112

6．2 Pylearn2 的使用 112

本章參考文獻 116

深度學習實踐篇（入門與進階）

第7 章 基於深度學習的手寫數字識彆 118

7．1 數據介紹 118

7．1．1 MNIST 數據集 118

7．1．2 提取MNIST 數據集圖片 120

7．2 手寫字體識彆流程 121

7．2．1 模型介紹 121

7．2．2 操作流程 126

7．3 實驗結果分析 127

本章參考文獻 128

第8 章 基於深度學習的圖像識彆 129

8．1 數據來源 129

8．1．1 Cifar10 數據集介紹 129

8．1．2 Cifar10 數據集格式 129

8．2 Cifar10 識彆流程 130

8．2．1 模型介紹 130

8．2．2 操作流程 136

8．3 實驗結果分析 139

本章參考文獻 140

第9 章 基於深度學習的物體圖像識彆 141

9．1 數據來源 141

9．1．1 Caltech101 數據集 141

9．1．2 Caltech101 數據集處理 142

9．2 物體圖像識彆流程 143

9．2．1 模型介紹 143

9．2．2 操作流程 144

9．3 實驗結果分析 150

本章參考文獻 151

第10 章 基於深度學習的人臉識彆 152

10．1 數據來源 152

10．1．1 AT＆T Facedatabase 數據庫 152

10．1．2 數據庫處理 152

10．2 人臉識彆流程 154

10．2．1 模型介紹 154

10．2．2 操作流程 155

10．3 實驗結果分析 159

本章參考文獻 160

深度學習實踐篇（高級應用）

第11 章 基於深度學習的人臉識彆――DeepID 算法 162

11．1 問題定義與數據來源 162

11．2 算法原理 163

11．2．1 數據預處理 163

11．2．2 模型訓練策略 164

11．2．3 算法驗證和結果評估 164

11．3 人臉識彆步驟 165

11．3．1 數據預處理 165

11．3．2 深度網絡結構模型 168

11．3．3 提取深度特徵與人臉驗證 171

11．4 實驗結果分析 174

11．4．1 實驗數據 174

11．4．2 實驗結果分析 175

本章參考文獻 176

第12 章 基於深度學習的錶情識彆 177

12．1 錶情數據 177

12．1．1 Cohn-Kanade（CK+）數據庫 177

12．1．2 JAFFE 數據庫 178

12．2 算法原理 179

12．3 錶情識彆步驟 180

12．3．1 數據預處理 180

12．3．2 深度神經網絡結構模型 181

12．3．3 提取深度特徵及分類 182

12．4 實驗結果分析 184

12．4．1 實現細節 184

12．4．2 實驗結果對比 185

本章參考文獻 188

第13 章 基於深度學習的年齡估計 190

13．1 問題定義 190

13．2 年齡估計算法 190

13．2．1 數據預處理 190

13．2．2 提取深度特徵 192

13．2．3 提取LBP 特徵 196

13．2．4 訓練迴歸模型 196

13．3 實驗結果分析 199

本章參考文獻 199

第14 章 基於深度學習的人臉關鍵點檢測 200

14．1 問題定義和數據來源 200

14．2 基於深度學習的人臉關鍵點檢測的步驟 201

14．2．1 數據預處理 201

14．2．2 訓練深度學習網絡模型 206

14．2．3 預測和處理關鍵點坐標 207

本章參考文獻 212

NLP漢語自然語言處理原理與實踐

內容簡介

　本書是一本研究漢語自然語言處理方麵的基礎性、綜閤性書籍，涉及NLP的語言理論、算法和工程實踐的方方麵麵，內容繁雜。 本書包括NLP的語言理論部分、算法部分、案例部分，涉及漢語的發展曆史、傳統的句法理論、認知語言學理論。需要指齣的是，本書是迄今為止**本係統介紹認知語言學和算法設計相結閤的中文NLP書籍，並從認知語言學的視角重新認識和分析瞭NLP的句法和語義相結閤的數據結構。這也是本書的創新之處。 本書適用於所有想學習NLP的技術人員，包括各大人工智能實驗室、軟件學院等專業機構。

目錄

第1章 中文語言的機器處理 1
1．1 曆史迴顧 2
1．1．1 從科幻到現實 2
1．1．2 早期的探索 3
1．1．3 規則派還是統計派 3
1．1．4 從機器學習到認知
計算 5
1．2 現代自然語言係統簡介 6
1．2．1 NLP流程與開源框架 6
1．2．2 哈工大NLP平颱及其
演示環境 9
1．2．3 Stanford NLP團隊及其
演示環境 11
1．2．4 NLTK開發環境 13
1．3 整閤中文分詞模塊 16
1．3．1 安裝Ltp Python組件 17
1．3．2 使用Ltp 3．3進行中文
分詞 18
1．3．3 使用結巴分詞模塊 20
1．4 整閤詞性標注模塊 22
1．4．1 Ltp 3．3詞性標注 23
1．4．2 安裝StanfordNLP並
編寫Python接口類 24
1．4．3 執行Stanford詞性
標注 28
1．5 整閤命名實體識彆模塊 29
1．5．1 Ltp 3．3命名實體識彆 29
1．5．2 Stanford命名實體
識彆 30
1．6 整閤句法解析模塊 32
1．6．1 Ltp 3．3句法依存樹 33
1．6．2 Stanford Parser類 35
1．6．3 Stanford短語結構樹 36
1．6．4 Stanford依存句法樹 37
1．7 整閤語義角色標注模塊 38
1．8 結語 40
第2章 漢語語言學研究迴顧 42
2．1 文字符號的起源 42
2．1．1 從記事談起 43
2．1．2 古文字的形成 47
2．2 六書及其他 48
2．2．1 象形 48
2．2．2 指事 50
2．2．3 會意 51
2．2．4 形聲 53
2．2．5 轉注 54
2．2．6 假藉 55
2．3 字形的流變 56
2．3．1 筆與墨的形成與變革 56
2．3．2 隸變的方式 58
2．3．3 漢字的符號化與結構 61
2．4 漢語的發展 67
2．4．1 完整語義的基本
形式――句子 68
2．4．2 語言的初始形態與
文言文 71
2．4．3 白話文與復音詞 73
2．4．4 白話文與句法研究 78
2．5 三個平麵中的語義研究 80
2．5．1 詞匯與本體論 81
2．5．2 格語法及其框架 84
2．6 結語 86
第3章 詞匯與分詞技術 88
3．1 中文分詞 89
3．1．1 什麼是詞與分詞規範 90
3．1．2 兩種分詞標準 93
3．1．3 歧義、機械分詞、語言
模型 94
3．1．4 詞匯的構成與未登錄
詞 97
3．2 係統總體流程與詞典結構 98
3．2．1 概述 98
3．2．2 中文分詞流程 99
3．2．3 分詞詞典結構 103
3．2．4 命名實體的詞典
結構 105
3．2．5 詞典的存儲結構 108
3．3 算法部分源碼解析 111
3．3．1 係統配置 112
3．3．2 Main方法與例句 113
3．3．3 句子切分 113
3．3．4 分詞流程 117
3．3．5 一元詞網 118
3．3．6 二元詞圖 125
3．3．7 NShort算法原理 130
3．3．8 後處理規則集 136
3．3．9 命名實體識彆 137
3．3．10 細分階段與·短
路徑 140
3．4 結語 142
第4章 NLP中的概率圖模型 143
4．1 概率論迴顧 143
4．1．1 多元概率論的幾個
基本概念 144
4．1．2 貝葉斯與樸素貝葉斯
算法 146
4．1．3 文本分類 148
4．1．4 文本分類的實現 151
4．2 信息熵 154
4．2．1 信息量與信息熵 154
4．2．2 互信息、聯閤熵、
條件熵 156
4．2．3 交叉熵和KL散度 158
4．2．4 信息熵的NLP的
意義 159
4．3 NLP與概率圖模型 160
4．3．1 概率圖模型的幾個

................

評分☆☆☆☆☆

評分☆☆☆☆☆

評分☆☆☆☆☆

評分☆☆☆☆☆

評分☆☆☆☆☆

評分☆☆☆☆☆

評分☆☆☆☆☆

評分☆☆☆☆☆

評分☆☆☆☆☆