Python自然語言處理實戰(zhàn)

定　價：￥59.00

作　者：	[印] 拉杰什·阿魯姆甘（Rajesh Arumugam）著，楊航譯
出版社：	人民郵電出版社
叢編項：
標　簽：	暫缺

購買這本書可以去

京東 (￥56.60)

ISBN：	9787115549266	出版時間：	2020-10-01	包裝：	平裝
開本：	16開	頁數(shù)：	213	字數(shù)：

內容簡介

　　本書介紹自然語言處理和深度學習的核心概念，例如CNN、RNN、語義嵌入和Word2vec等。讀者將學習如何使用神經(jīng)網(wǎng)絡執(zhí)行自然語言處理任務，以及如何在自然語言處理應用程序中訓練和部署神經(jīng)網(wǎng)絡。讀者會在各種應用領域中使用RNN和CNN，例如文本分類和序列標記，這對于情緒分析、客服聊天機器人和異常檢測的應用至關重要。讀者還將掌握使用Python流行的深度學習庫TensorFlow在語言應用程序中實現(xiàn)深度學習的實用知識。

作者簡介

　　拉杰什·阿魯姆甘（Rajesh Arumugam），目前在新加坡SAP公司負責機器學習開發(fā)工作，此前曾與日立亞洲（新加坡）社會創(chuàng)新中心合作，為智慧城市的多個領域開發(fā)過機器學習解決方案。畢業(yè)于南洋理工大學，獲計算機工程博士學位，曾在多個會議上發(fā)表過論文，并在存儲和機器學習方面擁有專利。拉賈林加帕·尚穆加馬尼（Rajalingappaa Shanmugamani），目前在Kairos擔任技術經(jīng)理，此前作為數(shù)據(jù)學習專家在新加坡SAP公司創(chuàng)新中心工作，并在開發(fā)計算機視覺產(chǎn)品的許多創(chuàng)業(yè)公司負責過開發(fā)和咨詢工作。畢業(yè)于印度理工學院馬德拉斯分校，獲碩士學位，學位論文主題基于產(chǎn)業(yè)中計算機視覺的應用程序。他還在該領域發(fā)表了若干論文。

圖書目錄

第1章起步　　1
1．1　NLP中的基本概念和術語　1
1．1．1　文本語料庫　1
1．1．2　段落　2
1．1．3　句子　2
1．1．4　短語和單詞　2
1．1．5　n元語法　2
1．1．6　詞袋　2
1．2　NLP技術的應用　3
1．2．1　情感分析　3
1．2．2　命名實體識別　4
1．2．3　實體鏈接　5
1．2．4　文本翻譯　6
1．2．5　自然語言推理　6
1．2．6　語義角色標記　6
1．2．7　關系提取　7
1．2．8　SQL查詢生成或語義解析　8
1．2．9　機器閱讀理解　8
1．2．10　文字蘊含　10
1．2．11　指代消解　10
1．2．12　搜索　11
1．2．13　問答和聊天機器人　11
1．2．14　文本轉語音　12
1．2．15　語音轉文本　13
1．2．16　說話人識別　14
1．2．17　口語對話系統(tǒng)　14
1．2．18　其他應用　14
1．3　小結　15
第2章　使用NLTK進行文本分類和詞性標注　16
2．1　安裝NLTK 及其模塊　16
2．2　文本預處理及探索性分析　18
2．2．1　分詞　18
2．2．2　詞干提取　19
2．2．3　去除停用詞　20
2．2．4　探索性分析　20
2．3　詞性標注　24
2．3．1　詞性標注定義　24
2．3．2　詞性標注的應用　25
2．3．3　訓練詞性標注器　25
2．4　訓練影評情感分類器　29
2．5　訓練詞袋分類器　32
2．6　小結　34
第3章　深度學習和TensorFlow　35
3．1　深度學習　35
3．1．1　感知器　35
3．1．2　激活函數(shù)　36
3．1．3　神經(jīng)網(wǎng)絡　38
3．1．4　訓練神經(jīng)網(wǎng)絡　40
3．1．5　卷積神經(jīng)網(wǎng)絡　43
3．1．6　遞歸神經(jīng)網(wǎng)絡　44
3．2　TensorFlow　45
3．2．1　通用圖形處理單元　45
3．2．2　安裝　46
3．2．3　Hello world !　47
3．2．4　兩數(shù)相加　47
3．2．5　TensorBoard　48
3．2．6　Keras庫　49
3．3　小結　49
第4章　使用淺層模型進行語義嵌入　50
4．1　詞向量　50
4．1．1　經(jīng)典方法　50
4．1．2　Word2vec　51
4．1．3　連續(xù)詞袋模型　52
4．1．4　跳字模型　53
4．2　從單詞到文檔嵌入　59
4．3　Sentence2vec　59
4．4　Doc2vec　60
4．5　小結　63
第5章　使用LSTM進行文本分類　64
5．1　文本分類數(shù)據(jù)　64
5．2　主題建模　65
5．3　用于文本分類的深度學習元架構　68
5．3．1　嵌入層　68
5．3．2　深層表示　68
5．3．3　全連接部分　68
5．4　使用RNN識別YouTube視頻垃圾評論　69
5．5　使用CNN對新聞主題分類　73
5．6　使用GloVe嵌入進行遷移學習　76
5．7　多標簽分類　79
5．7．1　二元關聯(lián)　80
5．7．2　用于多標簽分類的深度學習　80
5．7．3　用于文檔分類的attention網(wǎng)絡　81
5．8　小結　83
第6章　使用CNN進行搜索和去重　84
6．1　數(shù)據(jù)　84
6．2　模型訓練　85
6．2．1　文本編碼　86
6．2．2　建立CNN模型　87
6．2．3　訓練　89
6．2．4　推理　91
6．3　小結　92
第7章　使用字符級LSTM進行命名實體識別　93
7．1　使用深度學習實現(xiàn)NER　93
7．1．1　數(shù)據(jù)　94
7．1．2　模型　95
7．1．3　代碼詳解　96
7．1．4　不同預訓練詞嵌入的影響　98
7．1．5　改進空間　105
7．2　小結　105
第8章　使用GRU 進行文本生成和文本摘要　106
8．1　使用RNN進行文本生成　106
8．2　文本摘要　112
8．2．1　提取式摘要　112
8．2．2　抽象式摘要　114
8．2．3　最新抽象式文本摘要　123
8．3　小結　125
第9章　使用記憶網(wǎng)絡完成問答任務和編寫聊天機器人　127
9．1　QA任務　127
9．2　用于QA任務的記憶網(wǎng)絡　128
9．2．1　記憶網(wǎng)絡管道概述　128
9．2．2　使用TensorFlow寫一個記憶網(wǎng)絡　129
9．3　拓展記憶網(wǎng)絡以進行對話建?！?34
9．3．1　對話數(shù)據(jù)集　134
9．3．2　使用TensorFlow編寫一個聊天機器人　137
9．3．3　記憶網(wǎng)絡相關文獻　146
9．4　小結　146
第10章　使用基于attention的模型進行機器翻譯　147
10．1　機器翻譯概述　147
10．1．1　統(tǒng)計機器翻譯　147
10．1．2　神經(jīng)機器翻譯　150
10．2　小結　163
第11章　使用DeepSpeech進行語音識別　164
11．1　語音識別概述　164
11．2　建立用于語音識別的RNN模型　165
11．2．1　語音信號表示　165
11．2．2　用于語音數(shù)字識別的LSTM模型　167
11．2．3　TensorBoard可視化　168
11．2．4　使用DeepSpeech架構的語音轉文本模型　169
11．2．5　語音識別最新技術　178
11．3　小結　179
第12章　使用Tacotron進行文本轉語音　180
12．1　TTS領域概述　181
12．1．1　自然性與可懂性　181
12．1．2　TTS系統(tǒng)表現(xiàn)的評估方式　181
12．1．3　傳統(tǒng)技術——級聯(lián)模型和參數(shù)模型　182
12．1．4　關于頻譜圖和梅爾標度的一些提醒　182
12．2　深度學習中的TTS　185
12．2．1　WaveNet簡介　186
12．2．2　Tacotron　186
12．3　利用Keras的Tacotron實現(xiàn)　191
12．3．1　數(shù)據(jù)集　192
12．3．2　數(shù)據(jù)準備　192
12．3．3　架構實現(xiàn)　196
12．3．4　訓練與測試　200
12．4　小結　201
第13章　部署訓練好的模型　202
13．1　性能提升　202
13．1．1　量化權重　202
13．1．2　MobileNets　203
13．2　TensorFlow Serving　205
13．2．1　導出訓練好的模型　206
13．2．2　把導出模型投入服務　207
13．3　在云上部署　207
13．3．1　Amazon Web Services　207
13．3．2　Google Cloud Platform　210
13．4　在移動設備上部署　213
13．4．1　iPhone　213
13．4．2　Android　213
13．5　小結　213