店铺： 蓝墨水图书专营店
出版社： 机械工业
ISBN：9787111593737
商品编码：27935951875
具体描述
| 书名： | 【正版】基于深度学习的自然语言处理|7891598 |
| 图书定价： | 69元 |
| 图书作者： | （以）约阿夫·戈尔德贝格（Yoav Goldberg） |
| 出版社： | 机械工业出版社 |
| 出版日期： | 2018/5/1 0:00:00 |
| ISBN号： | 9787111593737 |
| 开本： | 16开 |
| 页数： | 0 |
| 版次： | 1-1 |
| 内容简介 |
| 本书重点介绍了神经网络模型在自然语言处理中的应用。首先介绍有监督的机器学习和前馈神经网络的基本知识，如何将机器学习方法应用在自然语言处理中，以及词向量表示（而不是符号表示）的应用。然后介绍更多专门的神经网络结构，包括一维卷积神经网络、循环神经网络、条件生成模型和基于注意力的模型。后讨论树形网络、结构化预测以及多任务学习的前景。 |
| 目录 |
| 译者序 前言 致谢 第1章引言 1��1自然语言处理的挑战 1��2神经网络和深度学习 1��3自然语言处理中的深度学习 1��4本书的覆盖面和组织结构 1��5本书未覆盖的内容 1��6术语 1��7数学符号 注释 第一部分有监督分类与前馈神经网络 第2章学习基础与线性模型 2��1有监督学习和参数化函数 2��2训练集、测试集和验证集 2��3线性模型 2��3��1二分类 2��3��2对数线性二分类 2��3��3多分类 2��4表示 2��5独热和稠密向量表示 2��6对数线性多分类 2��7训练和优化 2��7��1损失函数 2��7��2正则化 2��8基于梯度的优化 2��8��1随机梯度下降 2��8��2实例 2��8��3其他训练方法 第3章从线性模型到多层感知器 3��1线性模型的局限性：异或问题 3��2非线性输入转换 3��3核方法 3��4可训练的映射函数 第4章前馈神经网络 4��1一个关于大脑的比喻 4��2数学表示 4��3表达能力 4��4常见的非线性函数 4��5损失函数 4��6正则化与丢弃法 4��7相似和距离层 4��8嵌入层 第5章神经网络训练 5��1计算图的抽象概念 5��1��1前向计算 5��1��2反向计算（导数、反向传播） 5��1��3软件 5��1��4实现流程 5��1��5网络构成 5��2实践经验 5��2��1优化算法的选择 5��2��2初始化 5��2��3重启与集成 5��2��4梯度消失与梯度爆炸 5��2��5饱和神经元与死神经元 5��2��6随机打乱 5��2��7学习率 5��2��8minibatch 第二部分处理自然语言数据 第6章文本特征构造 6��1NLP分类问题中的拓扑结构 6��2NLP问题中的特征 6��2��1直接可观测特征 6��2��2可推断的语言学特征 6��2��3核心特征与组合特征 6��2��4n元组特征 6��2��5分布特征 第7章NLP特征的案例分析 7��1文本分类：语言识别 7��2文本分类：主题分类 7��3文本分类：作者归属 7��4上下文中的单词：词性标注 7��5上下文中的单词：命名实体识别 7��6上下文中单词的语言特征：介词词义消歧 7��7上下文中单词的关系：弧分解分析 第8章从文本特征到输入 8��1编码分类特征 8��1��1独热编码 8��1��2稠密编码（特征嵌入） 8��1��3稠密向量与独热表示 8��2组合稠密向量 8��2��1基于窗口的特征 8��2��2可变特征数目：连续词袋 8��3独热和稠密向量间的关系 8��4杂项 8��4��1距离与位置特征 8��4��2补齐、未登录词和词丢弃 8��4��3特征组合 8��4��4向量共享 8��4��5维度 8��4��6嵌入的词表 8��4��7网络的输出 8��5例子：词性标注 8��6例子：弧分解分析 第9章语言模型 9��1语言模型任务 9��2语言模型评估：困惑度 9��3语言模型的传统方法 9��3��1延伸阅读 9��3��2传统语言模型的限制 9��4神经语言模型 9��5使用语言模型进行生成 9��6副产品：词的表示 第10章预训练的词表示 10��1随机初始化 10��2有监督的特定任务的预训练 10��3无监督的预训练 10��4词嵌入算法 10��4��1分布式假设和词表示 10��4��2从神经语言模型到分布式表示 10��4��3词语联系 10��4��4其他算法 10��5上下文的选择 10��5��1窗口方法 10��5��2句子、段落或文档 10��5��3句法窗口 10��5��4多语种 10��5��5基于字符级别和子词的表示 10��6处理多字单元和字变形 10��7分布式方法的限制 第11章使用词嵌入 11��1词向量的获取 11��2词的相似度 11��3词聚类 11��4寻找相似词 11��5同中选异 11��6短文档相似度 11��7词的类比 11��8改装和映射 11��9实用性和陷阱 第12章案例分析:一种用于句子意义推理的前馈结构 12��1自然语言推理与 SNLI数据集 12��2文本相似网络 第三部分特殊的结构 第13章n元语法探测器：卷积神经网络 13��1基础卷积池化 13��1��1文本上的一维卷积 13��1��2向量池化 13��1��3变体 13��2其他选择：特征哈希 13��3层次化卷积 第14章循环神经网络：序列和栈建模 14��1RNN抽象描述 14��2RNN的训练 14��3RNN常见使用模式 14��3��1接收器 14��3��2编码器 14��3��3传感器 14��4双向RNN 14��5堆叠RNN 14��6用于表示栈的RNN 14��7文献阅读的注意事项 第15章实际的循环神经网络结构 15��1作为RNN的CBOW 15��2简单RNN 15��3门结构 15��3��1长短期记忆网络 15��3��2门限循环单元 15��4其他变体 15��5应用到RNN的丢弃机制 第16章通过循环网络建模 16��1接收器 16��1��1情感分类器 16��1��2主谓一致语法检查 16��2作为特征提取器的RNN 16��2��1词性标注 16��2��2RNN�睠NN文本分类 16��2��3弧分解依存句法分析 第17章条件生成 17��1RNN生成器 17��2条件生成（编码器解码器） 17��2��1序列到序列模型 17��2��2应用 17��2��3其他条件上下文 17��3无监督的句子相似性 17��4结合注意力机制的条件生成 17��4��1计算复杂性 17��4��2可解释性 17��5自然语言处理中基于注意力机制的模型 17��5��1机器翻译 17��5��2形态屈折 17��5��3句法分析 第四部分其他主题 第18章用递归神经网络对树建模 18��1形式化定义 18��2扩展和变体 18��3递归神经网络的训练 18��4一种简单的替代——线性化树 18��5前景 第19章结构化输出预测 19��1基于搜索的结构化预测 19��1��1基于线性模型的结构化预测 19��1��2非线性结构化预测 19��1��3概率目标函数（CRF） 19��1��4近似搜索 19��1��5重排序 19��1��6参考阅读 19��2贪心结构化预测 19��3条件生成与结构化输出预测 19��4实例 19��4��1基于搜索的结构化预测：一阶依存句法分析 19��4��2基于Neural�睠RF的命名实体识别 19��4��3基于柱搜索的NER�睠RF近似 第20章级联、多任务与半监督学习 20��1模型级联 20��2多任务学习 20��2��1多任务设置下的训练 20��2��2选择性共享 20��2��3作为多任务学习的词嵌入预训练 20��2��4条件生成中的多任务学习 20��2��5作为正则的多任务学习 20��2��6注意事项 20��3半监督学习 20��4实例 20��4��1眼动预测与句子压缩 20��4��2弧标注与句法分析 20��4��3介词词义消歧与介词翻译预测 20��4��4条件生成：多语言机器翻译、句法分析以及图像描述生成 20��5前景 第21章结论 21��1我们学到了什么 21��2未来的挑战 参考文献 |
用户评价
评分
评分
评分
评分
评分
评分
评分
评分
评分
相关图书
本站所有内容均为互联网搜索引擎提供的公开搜索信息，本站不存储任何数据与内容，任何内容与数据均与本站无关，如有需要请联系相关搜索引擎包括但不限于百度，google,bing,sogou 等
© 2025 book.cndgn.com All Rights Reserved. 新城书站 版权所有