正版 基于深度学习的自然语言处理 基于深度学习的自然语言处理 自然语言处理教程书机器学习 pdf epub mobi txt 电子书 下载 2025

简体网页||繁体网页

☆☆☆☆☆

店铺： 布克专营店

出版社： 机械工业出版社

ISBN：9787111593737

商品编码：28468187824

包装：平装-胶订

开本：16

出版时间：2018-05-01

商品参数

基于深度学习的自然语言处理
	定价	69.00
	出版社	机械工业出版社
	版次	1
	出版时间	2018年05月
	开本	16开
	作者	（以）约阿夫·戈尔德贝格（Yoav Goldberg）
	装帧	平装-胶订
	页数
	字数
	ISBN编码	9787111593737
	重量	493

内容介绍

..........

目录

译者序

前言

致谢 

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

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打乱

5��2��7学习率

5��2��8minibatch

第2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

0章预训练的词表示

10��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

1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

2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

3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

4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

5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

6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�睳文本分类

16��2��3弧分解依存句法分析

7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

8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

9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 

评分☆☆☆☆☆

评分☆☆☆☆☆

评分☆☆☆☆☆

评分☆☆☆☆☆

评分☆☆☆☆☆

评分☆☆☆☆☆

评分☆☆☆☆☆

评分☆☆☆☆☆

评分☆☆☆☆☆