读者对象：1.自然语言处理发人员；2.人工智能和深度学习工程师；3.大数据工程师与架构师；4、其他爱好者 1）微软人工智能首席技术官黄学东、中国计算机学会秘书长杜子德联袂推荐 2）微软高级研究员朱晨光撰写，曾2次获得全球性阅读理解竞赛冠军 3）剖析机器阅读理解支撑技术、模型架构、前沿算法、模型 4）机器阅读理解模型SDNet源码分析与工业级落地应用分析 5）作者荣获51CTO 2020年度“*受读者喜爱的IT图书作者”奖。本书荣获51CTO 2020年度“*受读者喜爱的IT图书”奖。
售 价：¥
纸质售价：¥57.00购买纸书
6.6
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
序一
序二
前言
第一篇 基础篇
第1章 机器阅读理解与关键支撑技术
1.1 机器阅读理解任务
1.2 自然语言处理
1.3 深度学习
1.4 机器阅读理解任务的测评方式
1.5 机器阅读理解数据集
1.6 机器阅读理解数据的生成
1.7 本章小结
第2章 自然语言处理基础
2.1 文本分词
2.2 语言处理的基石：词向量
2.3 命名实体和词性标注
2.4 语言模型
2.5 本章小结
第3章 自然语言处理中的深度学习
3.1 从词向量到文本向量
3.2 让计算机做选择题：自然语言理解
3.3 让计算机写文章：自然语言生成
3.4 让计算机专心致志：注意力机制
3.5 本章小结
第二篇 架构篇
第4章 机器阅读理解模型架构
4.1 总体架构
4.2 编码层
4.3 交互层
4.4 输出层
4.5 本章小结
第5章 常见机器阅读理解模型
5.1 双向注意力流模型
5.2 R-net
5.3 融合网络
5.4 关键词检索与阅读模型
5.5 本章小结
第6章 预训练模型
6.1 预训练模型和迁移学习
6.2 基于翻译的预训练模型CoVe
6.3 基于语言模型的预训练模型ELMo
6.4 生成式预训练模型GPT
6.5 划时代的预训练模型BERT
6.6 本章小结
第三篇 实战篇
第7章 机器阅读理解模型SDNet代码解析
7.1 多轮对话式阅读理解模型SDNet
7.2 SDNet代码介绍与运行指南
7.3 预处理程序
7.4 训练程序
7.5 批次数据产生器
7.6 SDNet模型
7.7 本章小结
第8章 机器阅读理解的应用与未来
8.1 智能客服
8.2 搜索引擎
8.3 医疗卫生
8.4 法律
8.5 金融
8.6 教育
8.7 机器阅读理解的未来
8.8 本章小结
附录A 机器学习基础
附录B 深度学习基础
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
