发表于2024-12-15
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
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 |
..........
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
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