1.自然语言处理（NLP）已在Web搜索、广告和客户服务等各个领域中得到广泛应用。借助深度学习，我们可以增强NLP在这些领域的性能。 2.基于Python3.5，使用Python，可以利用深度学习模型执行各种NLP任务，以及应对当今的各种NLP挑战。 3.内容全面，全面讲解NLP前沿技术，构建多种实用应用程序。 4.提供包含本书截图 图表彩色图像的PDF文件下载。 5.提供本书的示例代码文件下载。 阅读本书后，你将学会将神经网络融各种跨平台的语言应用程序中，使用NLTK和TensorFlow执行NLP任务并训练模型，以及通过强大的深度学习架构（例如CNN和RNN）增强NLP模型。 行词语的语义嵌以对实体行分类和查找 通过训练将词语转换为向量，以执行算术运算 训练深度学习模型以检测推文和新闻的分类 使用搜索和RNN模型实现问答模型 使用CNN为各种文本分类数据集训练模型 实现深层生成模型WaveNet，以产生自然语音 将语音转换为文本并将文本转换为语音 使用DeepSpeech训练模型，将语音转换为文本
售 价：¥
纸质售价：¥46.60购买纸书
6.2
温馨提示：数字商品不支持退换货，不提供源文件，不支持导出打印
为你推荐
目标读者
本书内容
如何充分利用本书
下载示例代码文件
下载彩色图像
排版约定
联系我们
评论
电子书
链接
第 1 章 起步
1.1 NLP中的基本概念和术语
1.1.1 文本语料库
1.1.2 段落
1.1.3 句子
1.1.4 短语和单词
1.1.5 元语法
1.1.6 词袋
1.2 NLP技术的应用
1.2.1 情感分析
1.2.2 命名实体识别
1.2.3 实体链接
1.2.4 文本翻译
1.2.5 自然语言推理
1.2.6 语义角色标记
1.2.7 关系提取
1.2.8 SQL查询生成或语义解析
1.2.9 机器阅读理解
1.2.10 文字蕴含
1.2.11 指代消解
1.2.12 搜索
1.2.13 问答和聊天机器人
1.2.14 文本转语音
1.2.15 语音转文本
1.2.16 说话人识别
1.2.17 口语对话系统
1.2.18 其他应用
1.3 小结
第 2 章 使用NLTK进行文本分类和词性标注
2.1 安装NLTK及其模块
2.2 文本预处理及探索性分析
2.2.1 分词
2.2.2 词干提取
2.2.3 去除停用词
2.2.4 探索性分析
2.3 词性标注
2.3.1 词性标注定义
2.3.2 词性标注的应用
2.3.3 训练词性标注器
2.4 训练影评情感分类器
2.5 训练词袋分类器
2.6 小结
第 3 章 深度学习和TensorFlow
3.1 深度学习
3.1.1 感知器
3.1.2 激活函数
3.1.3 神经网络
3.1.4 训练神经网络
3.1.5 卷积神经网络
3.1.6 递归神经网络
3.2 TensorFlow
3.2.1 通用图形处理单元
3.2.2 安装
3.2.3 Hello world !
3.2.4 两数相加
3.2.5 TensorBoard
3.2.6 Keras库
3.3 小结
第 4 章 使用浅层模型进行语义嵌入
4.1 词向量
4.1.1 经典方法
4.1.2 Word2vec
4.1.3 连续词袋模型
4.1.4 跳字模型
4.2 从单词到文档嵌入
4.3 Sentence2vec
4.4 Doc2vec
文档嵌入可视化
4.5 小结
第 5 章 使用LSTM进行文本分类
5.1 文本分类数据
5.2 主题建模
主题建模与文本分类
5.3 用于文本分类的深度学习元架构
5.3.1 嵌入层
5.3.2 深层表示
5.3.3 全连接部分
5.4 使用RNN识别YouTube视频垃圾评论
5.5 使用CNN对新闻主题分类
5.6 使用GloVe嵌入进行迁移学习
5.7 多标签分类
5.7.1 二元关联
5.7.2 用于多标签分类的深度学习
5.7.3 用于文档分类的attention网络
5.8 小结
第 6 章 使用CNN进行搜索和去重
6.1 数据
数据描述
6.2 模型训练
6.2.1 文本编码
6.2.2 建立CNN模型
6.2.3 训练
6.2.4 推理
6.3 小结
第 7 章 使用字符级LSTM进行命名实体识别
7.1 使用深度学习实现NER
7.1.1 数据
7.1.2 模型
7.1.3 代码详解
7.1.4 不同预训练词嵌入的影响
7.1.5 改进空间
7.2 小结
第 8 章 使用GRU进行文本生成和文本摘要
8.1 使用RNN进行文本生成
使用GRU生成Linux内核代码
8.2 文本摘要
8.2.1 提取式摘要
8.2.2 抽象式摘要
8.2.3 最新抽象式文本摘要
8.3 小结
第 9 章 使用记忆网络完成问答任务和编写聊天机器人
9.1 QA任务
QA数据集
9.2 用于QA任务的记忆网络
9.2.1 记忆网络管道概述
9.2.2 使用TensorFlow写一个记忆网络
9.3 拓展记忆网络以进行对话建模
9.3.1 对话数据集
9.3.2 使用TensorFlow编写一个聊天机器人
9.3.3 记忆网络相关文献
9.4 小结
第 10 章 使用基于attention的模型进行机器翻译
10.1 机器翻译概述
10.1.1 统计机器翻译
10.1.2 神经机器翻译
10.2 小结
第 11 章 使用DeepSpeech进行语音识别
11.1 语音识别概述
11.2 建立用于语音识别的RNN模型
11.2.1 语音信号表示
11.2.2 用于语音数字识别的LSTM模型
11.2.3 TensorBoard可视化
11.2.4 使用DeepSpeech架构的语音转文本模型
11.2.5 语音识别最新技术
11.3 小结
第 12 章 使用Tacotron进行文本转语音
12.1 TTS领域概述
12.1.1 自然性与可懂性
12.1.2 TTS系统表现的评估方式
12.1.3 传统技术——级联模型和参数模型
12.1.4 关于频谱图和梅尔标度的一些提醒
12.2 深度学习中的TTS
12.2.1 WaveNet简介
12.2.2 Tacotron
12.3 利用Keras的Tacotron实现
12.3.1 数据集
12.3.2 数据准备
12.3.3 架构实现
12.3.4 训练与测试
12.4 小结
第 13 章 部署训练好的模型
13.1 性能提升
13.1.1 量化权重
13.1.2 MobileNets
13.2 TensorFlow Serving
13.2.1 导出训练好的模型
13.2.2 把导出模型投入服务
13.3 在云上部署
13.3.1 Amazon Web Services
13.3.2 Google Cloud Platform
13.4 在移动设备上部署
13.4.1 iPhone
13.4.2 Android
13.5 小结
买过这本书的人还买过
读了这本书的人还在读
同类图书排行榜
购物车
个人中心
