包邮基于深度学习的自然语言处理|7891598 下载 mobi epub pdf 电子书 2024

☆☆☆☆☆
简体网页||繁体网页

以约阿夫戈尔德贝格Yoav Gold 著，车万翔郭江张伟男译

下载链接在页面底部

点击这里下载

facebook linkedin mastodon messenger pinterest reddit telegram twitter viber vkontakte whatsapp 复制链接

想要找书就要到新城书站

book.cndgn.com

立刻按 ctrl+D收藏本页

你会得到大惊喜!!

发表于2024-11-24

图书介绍

店铺：互动创新图书专营店

出版社：机械工业出版社

ISBN：9787111593737

商品编码：28436923465

丛书名：智能科学与技术丛书

出版时间：2018-05-01

类似图书点击查看全场最低价

图书描述

书[0名0]：	基于深度[0学0]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：	[1机1] 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[0经0]网络模型在自然语言处理中的应用。[0首0]先介绍有监督的 [1机1] 器[0学0]习和前馈神[0经0]网络的基本[0知0]识，如何将 [1机1] 器[0学0]习方[0法0]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[0经0]网络结构，包括一维卷积神[0经0]网络、循环神[0经0]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[0学0]习的前景。

译者序
前言
致谢
[0第0]1章引言
1��1自然语言处理的挑战
1��2神[0经0]网络和深度[0学0]习
1��3自然语言处理中的深度[0学0]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[0学0]符号
注释
[0第0]一部分有监督分类与前馈神[0经0]网络
[0第0]2章[0学0]习基础与线性模型
2��1有监督[0学0]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[0独0]热和稠密向量表示
2��6对数线性多分类
2��7训练和[0优0]化
2��7��1损失函数
2��7��2正则化
2��8基于梯度的[0优0]化
2��8��1随 [1机1] 梯度下降
2��8��2实例
2��8��3其他训练方[0法0]
[0第0]3章从线性模型到多层感[0知0]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[0法0]
3��4可训练的映射函数
[0第0]4章前馈神[0经0]网络
4��1一个关于[0大0]脑的比喻
4��2数[0学0]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[0法0]
4��7相似和距离层
4��8嵌入层
[0第0]5章神[0经0]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[0经0]验
5��2��1[0优0]化算[0法0]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[0经0]元与死神[0经0]元
5��2��6随 [1机1] 打乱
5��2��7[0学0]习率
5��2��8minibatch
[0第0]二部分处理自然语言数据
[0第0]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[0学0]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
[0第0]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[0名0]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
[0第0]8章从文本特征到输入
8��1编码分类特征
8��1��1[0独0]热编码
8��1��2稠密编码（特征嵌入）
8��1��3稠密向量与[0独0]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[0独0]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
[0第0]9章语言模型
9��1语言模型任务
9��2语言模型[0评0]估：困惑度
9��3语言模型的传统方[0法0]
9��3��1延伸阅读
9��3��2传统语言模型的限制
9��4神[0经0]语言模型
9��5使用语言模型进行生成
9��6副产[0品0]：词的表示
[0第0]10章预训练的词表示
10��1随 [1机1] 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[0法0]
10��4��1分布式[jia]设和词表示
10��4��2从神[0经0]语言模型到分布式表示
10��4��3词语联系
10��4��4其他算[0法0]
10��5上下文的选择
10��5��1窗口方[0法0]
10��5��2句子、段落或文档
10��5��3句[0法0]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[0法0]的限制
[0第0]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
[0第0]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
[0第0]三部分特殊的结构
[0第0]13章n元语[0法0]探测器：卷积神[0经0]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
[0第0]14章循环神[0经0]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[0双0]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
[0第0]15章实际的循环神[0经0]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 [1机1] 制
[0第0]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[0法0]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[0法0]分析
[0第0]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 [1机1] 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 [1机1] 制的模型
17��5��1 [1机1] 器翻译
17��5��2形态屈折
17��5��3句[0法0]分析
[0第0]四部分其他主题
[0第0]18章用递归神[0经0]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[0经0]网络的训练
18��4一种简单的替代——线性化树
18��5前景
[0第0]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[0法0]分析
19��4��2基于Neural�睠RF的命[0名0]实体识别
19��4��3基于柱搜索的NER�睠RF近似
[0第0]20章级联、多任务与半监督[0学0]习
20��1模型级联
20��2多任务[0学0]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[0学0]习的词嵌入预训练
20��2��4条件生成中的多任务[0学0]习
20��2��5作为正则的多任务[0学0]习
20��2��6注意事项
20��3半监督[0学0]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[0法0]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 [1机1] 器翻译、句[0法0]分析以及图像描述生成
20��5前景
[0第0]21章结论
21��1我们[0学0]到了什么
21��2未来的挑战
参考文献

包邮基于深度学习的自然语言处理|7891598 下载 mobi epub pdf txt 电子书格式