新書推薦：
《
慈悲与玫瑰
》
售價：NT$
398.0
《
启蒙的辩证：哲学的片简（法兰克福学派哲学经典，批判理论重要文本）
》
售價：NT$
347.0
《
云中记
》
售價：NT$
347.0
《
大模型应用开发：RAG入门与实战
》
售價：NT$
407.0
《
不挨饿快速瘦的减脂餐
》
售價：NT$
305.0
《
形而上学与存在论之间：费希特知识学研究（守望者）（德国古典哲学研究译丛）
》
售價：NT$
504.0
《
卫宫家今天的饭9 附画集特装版（含漫画1本+画集1本+卫宫士郎购物清单2张+特制相卡1张）
》
售價：NT$
602.0
《
万千教育学前·与幼儿一起解决问题：捕捉幼儿园一日生活中的教育契机
》
售價：NT$
214.0
|
| 內容簡介： |
|
本书面向初学者介绍了自然语言处理的基础知识，包括词法分析、句法分析、基于机器学习的文本分析、深度学习与神经网络、词嵌入与词向量以及自然语言处理与卷积神经网络、循环神经网络技术及应用。本书深入浅出，案例丰富，可作为高校人工智能、大数据、计算机及相关专业本科生的教材，也可供对自然语言处理有兴趣的技术人员作为参考书。
|
| 目錄：
|
|
前言第1章 自然语言处理概述11.1 自然语言处理的基本概念11.1.1 什么是自然语言处理11.1.2 自然语言处理的层次21.1.3 自然语言处理的发展历程31.2 自然语言处理技术面临的困难61.2.1 歧义61.2.2 知识的获取、表达及运用71.2.3 计算问题81.3 自然语言处理的主要研究任务和应用81.3.1 自然语言处理的主要研究任务81.3.2 自然语言处理的典型应用101.4 搭建自然语言处理开发环境111.4.1 Anaconda111.4.2 scikit-learn151.4.3 Jupyter Notebook151.5 本章小结161.6 习题17第2章 词法分析182.1 什么是词法分析182.2 分词192.2.1 中文分词简介192.2.2 基于词典的分词方法202.2.3 基于统计的分词方法212.2.4 实例—使用N-gram语言模型进行语法纠正242.2.5 中文分词工具简介272.2.6 实例—使用jieba进行高频词提取302.3 关键词提取322.3.1 TF-IDF算法322.3.2 TextRank算法332.3.3 实例—提取文本关键词342.4 词性标注402.4.1 词性标注简介402.4.2 隐马尔可夫模型412.4.3 Viterbi算法432.4.4 熵模型442.5 命名实体识别462.5.1 命名实体识别简介462.5.2 条件随机场模型472.5.3 实例—使用jieba进行日期识别482.6 本章小结522.7 习题53第3章 句法分析543.1 什么是句法分析543.2 句法分析树库及性能评测563.2.1 句法分析语料库563.2.2 句法分析模型的性能评测593.3 概率上下文无关文法593.4 依存句法分析623.4.1 基于图模型的依存句法分析633.4.2 基于转移模型的依存句法分析633.5 中文句法分析工具简介653.6 实例—中文句法分析663.7 本章小结683.8 习题68第4章 基于机器学习的文本分类694.1 机器学习简介694.1.1 scikit-learn简介714.1.2 机器学习基本概念724.1.3 机器学习问题分类734.2 朴素贝叶斯分类器764.3 逻辑回归分类器804.4 支持向量机分类器844.5 文本聚类894.6 实例—垃圾邮件分类944.7 本章小结994.8 习题99第5章 深度学习与神经网络1015.1 深度学习与神经网络简介1015.2 人工神经网络1025.2.1 生物神经元1025.2.2 感知器1035.2.3 激活函数1055.2.4 神经网络1105.3 前馈神经网络1105.3.1 前馈神经网络的结构1105.3.2 前向传播1115.3.3 损失函数1125.3.4 反向传播算法1135.3.5 优化方法1145.4 深度学习框架1165.4.1 TensorFlow1165.4.2 Keras1185.4.3 PyTorch1195.4.4 PaddlePaddle1205.5 实例—使用MLP实现手写数字识别1225.5.1 数据准备1225.5.2 创建MLP1225.5.3 模型训练1235.5.4 模型评价1245.6 本章小结1255.7 习题126第6章 词嵌入与词向量1276.1 文本向量化1276.2 One-Hot编码1286.3 词嵌入1306.3.1 什么是词嵌入1306.3.2 词嵌入的实现1316.3.3 语义信息1326.4 Word2Vec1336.4.1 Word2Vec简介1336.4.2 Word2Vec的应用1346.4.3 使用gensim包训练词向量1366.5 Doc2Vec1386.5.1 PV-DM1396.5.2 PV-DBOW1406.6 实例—利用Doc2Vec计算文档相似度1406.6.1 准备语料库1406.6.2 定义和训练模型1416.6.3 分析文本相似度1426.7 本章小结1456.8 习题145第7章 卷积神经网络与自然语言处理1467.1 卷积神经网络简介1467.1.1 深层神经网络用于图像处理存在的问题1467.1.2 什么是卷积1487.1.3 填充1507.1.4 步长1517.1.5 什么是卷积神经网络1517.2 应用卷积神经网络解决自然语言处理问题1527.2.1 NLP中的卷积层1527.2.2 NLP中的池化层1547.2.3 NLP中CNN的基本架构1557.3 CNN在应用中的超参数选择1567.3.1 激活函数1567.3.2 卷积核的大小和个数1567.3.3 dropout层1567.3.4 softmax分类器1577.4 实例—使用CNN实现新闻文本分类1587.4.1 准备数据1587.4.2 定义和训练模型1637.5 本章小结1657.6 习题166第8章 循环神经网络与自然语言处理1678.1 循环神经网络的基本结构1688.2 循环神经网络应用于自然语言处理1708.2.1 序列到类别1708.2.2 同步序列到序列1718.2.3 异步序列到序列1728.3 循环神经网络的训练1738.3.1 随时间反向传播算法1738.3.2 权重的更新1748.3.3 梯度消失与梯度爆炸1758.4 长短期记忆网络1758.4.1 细胞状态1778.4.2 门控机制1778.5 门控循环单元网络1818.6 更深的网络1848.6.1 堆叠循环神经网络1848.6.2 双向循环神经网络1858.7 实例—使用LSTM网络实现文本情感分析1868.7.1 数据准备1868.7.2 构建和训练模型1878.8 本章小结1908.9 习题191第9章 序列到序列模型与注意力机制1929.1 序列到序列模型1929.1.1 什么是序列到序列模型1929.1.2 编码–解码架构1939.1.3 编码器1949.1.4 解码器1959.1.5 模型训练1979.2 注意力机制1989.2.1 什么是注意力机制1989.2.2 计算语义
|
| 內容試閱：
|
|
自然语言是指人们日常交流使用的语言，例如汉语、英语、日语、法语等。语言是人类区别于其他动物的根本标志之一，在人类社会中扮演着重要的角色。人们借助约定俗成的语法规则，通过声音、文字、图像等不同类型的信号来传递思想、表达情感、记录观察到的现象等。语言的使用扩展了人类理解的范围，使人类可以借助复杂的概念体系和思维模式进行系统的、逻辑的思考和推论，从而提升智力水平。本书主要介绍自然语言处理（Natural Language Processing，NLP）的基本概念、相关技术和常见应用。自然语言处理是语言学、计算机科学和人工智能的一个分支，研究如何使用计算机自动或半自动地处理、理解、分析以及运用人类语言。从广义上来讲，自然语言处理包含所有用计算机对自然语言进行操作的方法，既包含通过统计词频来比较不同写作风格的简单手段，也包含能够完全“理解”人类语言的终极目标。基于NLP的技术正在广泛地影响人类的生活、工作、学习、社交等方方面面。例如：百度翻译、谷歌翻译等可以利用机器翻译将一种语言迅速翻译为另一种语言；当我们在百度或者谷歌上搜索内容时，只要输入两三个词，自动补全功能就会显示可能的搜索内容，自动更正功能还可以纠正错别字等错误；小爱同学、Siri、谷歌助手、小度等语音助手可以通过语音识别和自然语言理解等技术来处理我们的口头命令并执行相应的操作；邮件分类和过滤功能则可以对邮件进行自动分类，并过滤垃圾邮件；等等。通过提供设计良好的人机界面和更高级的存储信息访问方式，自然语言处理正在多语言交流的信息社会中发挥着重要的作用。本书面向高等院校理工科特别是新工科相关专业的学生，帮助其掌握自然语言处理的相关概念，使其具备利用自然语言处理进行算法分析和解决相关专业问题的能力。全书共9章，主要内容如下。第1章介绍自然语言处理的基本概念、主要研究任务和技术，以及自然语言处理开发环境的搭建。第2章介绍词法分析的基本概念，以及词法分析中的几个子任务和典型算法，包括分词、关键词提取、词性标注和命名实体识别，并通过实例来介绍如何使用词法分析工具。第3章介绍句法分析的基本概念和典型算法，以及常用的中文句法分析工具，并通过一个实例来说明基于PCFG算法的句法分析。第4章介绍机器学习的基本概念、典型算法，以及scikit-learn机器学习库的使用方法，并通过一个垃圾邮件分类的实例来介绍多个基于机器学习的文本分类器。第5章介绍如何用基于人工神经网络的深度学习方法解决NLP问题。本章涵盖深度学习的入门知识，可为后续章节的学习打下基础。第6章介绍文本向量化的基本概念和常用的文本向量化方法，包括词嵌入、Word2Vec和Doc2Vec，并通过利用Doc2Vec计算文档相似度的实例来介绍文本向量化工具的使用。第7章介绍卷积神经网络（Convolutional Neural Network，CNN）的基本概念，以及如何使用卷积神经网络处理NLP问题，并通过使用CNN实现新闻文本分类的实例说明使用CNN完成NLP任务的基本方法。第8章介绍循环神经网络（Recurrent Neural Network，RNN）的基本概念，以及如何使用循环神经网络处理NLP问题，并通过使用LSTM网络实现文本情感分析的实例说明使用RNN完成NLP任务的基本方法。第9章介绍序列到序列模型和注意力机制的基本概念，并通过基于注意力机制的机器翻译实例说明如何使用编码–解码架构来构建序列到序列模型。本书是教育部产学合作协同育人项目（2019 年第 2 批）的成果，由南开大学计算机学院公共计算机基础教学部的老师结合多年的教学和项目实践经验，针对新工科相关专业对自然语言处理的学习需要编写而成。在本书的编写过程中，得到了北京华育兴业科技有限公司王鹏总监的大力支持，在此表示真诚的感谢！本书在准备和编写的过程中参考了国内外机器学习、深度学习及自然语言处理领域的一些开放课程、书籍、论坛、博客、论文和开源资料等，在此对资源的作者表示感谢。由于编者能力和时间的限制，书中难免有不妥或错误之处，恳请同行和读者斧正。作 者 2021年7月于南开园
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 聯絡我們
| 運費計算
| 幫助中心 |
加入書簽
HOME
新書上架
