Python自然语言处理实战 地址 caj 百度云 pdb pdf kindle txt 下载

本书介绍自然语言处理和深度学习的核心概念，例如CNN、RNN、语义嵌入和Word2vec等。读者将学习如何使用神经网络执行自然语言处理任务，以及如何在自然语言处理应用程序中训练和部署神经网络。读者会在各种应用领域中使用RNN和CNN，例如文本分类和序列标记，这对于情绪分析、客服聊天机器人和异常检测的应用至关重要。读者还将掌握使用Python流行的深度学习库TensorFlow在语言应用程序中实现深度学习的实用知识。

第1章 起步　　1

1.1 NLP中的基本概念和术语　　1

1.1.1 文本语料库　　1

1.1.2 段落　　2

1.1.3 句子　　2

1.1.4 短语和单词　　2

1.1.5 n元语法　　2

1.1.6 词袋　　2

1.2 NLP技术的应用　　3

1.2.1 情感分析　　3

1.2.2 命名实体识别　　4

1.2.3 实体链接　　5

1.2.4 文本翻译　　6

1.2.5 自然语言推理　　6

1.2.6 语义角色标记　　6

1.2.7 关系提取　　7

1.2.8 SQL查询生成或语义解析　　8

1.2.9 机器阅读理解　　8

1.2.10 文字蕴含　　10

1.2.11 指代消解　　10

1.2.12 搜索　　11

1.2.13 问答和聊天机器人　　11

1.2.14 文本转语音　　12

1.2.15 语音转文本　　13

1.2.16 说话人识别　　14

1.2.17 口语对话系统　　14

1.2.18 其他应用　　14

1.3 小结　　15

第2章 使用NLTK进行文本分类和词性标注　　16

2.1 安装NLTK 及其模块　　16

2.2 文本预处理及探索性分析　　18

2.2.1 分词　　18

2.2.2 词干提取　　19

2.2.3 去除停用词　　20

2.2.4 探索性分析　　20

2.3 词性标注　　24

2.3.1 词性标注定义　　24

2.3.2 词性标注的应用　　25

2.3.3 训练词性标注器　　25

2.4 训练影评情感分类器　　29

2.5 训练词袋分类器　　32

2.6 小结　　34

第3章 深度学习和TensorFlow　　35

3.1 深度学习　　35

3.1.1 感知器　　35

3.1.2 激活函数　　36

3.1.3 神经网络　　38

3.1.4 训练神经网络　　40

3.1.5 卷积神经网络　　43

3.1.6 递归神经网络　　44

3.2 TensorFlow　　45

3.2.1 通用图形处理单元　　45

3.2.2 安装　　46

3.2.3 Hello world !　　47

3.2.4 两数相加　　47

3.2.5 TensorBoard　　48

3.2.6 Keras库　　49

3.3 小结　　49

第4章 使用浅层模型进行语义嵌入　　50

4.1 词向量　　50

4.1.1 经典方法　　50

4.1.2 Word2vec　　51

4.1.3 连续词袋模型　　52

4.1.4 跳字模型　　53

4.2 从单词到文档嵌入　　59

4.3 Sentence2vec　　59

4.4 Doc2vec　　60

4.5 小结　　63

第5章 使用LSTM进行文本分类　　64

5.1 文本分类数据　　64

5.2 主题建模　　65

5.3 用于文本分类的深度学习元架构　　68

5.3.1 嵌入层　　68

5.3.2 深层表示　　68

5.3.3 全连接部分　　68

5.4 使用RNN识别YouTube视频垃圾评论　　69

5.5 使用CNN对新闻主题分类　　73

5.6 使用GloVe嵌入进行迁移学习　　76

5.7 多标签分类　　79

5.7.1 二元关联　　80

5.7.2 用于多标签分类的深度学习　　80

5.7.3 用于文档分类的attention网络　　81

5.8 小结　　83

第6章 使用CNN进行搜索和去重　　84

6.1 数据　　84

6.2 模型训练　　85

6.2.1 文本编码　　86

6.2.2 建立CNN模型　　87

6.2.3 训练　　89

6.2.4 推理　　91

6.3 小结　　92

第7章 使用字符级LSTM进行命名实体识别　　93

7.1 使用深度学习实现NER　　93

7.1.1 数据　　94

7.1.2 模型　　95

7.1.3 代码详解　　96

7.1.4 不同预训练词嵌入的影响　　98

7.1.5 改进空间　　105

7.2 小结　　105

第8章 使用GRU 进行文本生成和文本摘要　　106

8.1 使用RNN进行文本生成　　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 小结　　125

第9章 使用记忆网络完成问答任务和编写聊天机器人　　127

9.1 QA任务　　127

9.2 用于QA任务的记忆网络　　128

9.2.1 记忆网络管道概述　　128

9.2.2 使用TensorFlow写一个记忆网络　　129

9.3 拓展记忆网络以进行对话建模　　134

9.3.1 对话数据集　　134

9.3.2 使用TensorFlow编写一个聊天机器人　　137

9.3.3 记忆网络相关文献　　146

9.4 小结　　146

第10章 使用基于attention的模型进行机器翻译　　147

10.1 机器翻译概述　　147

10.1.1 统计机器翻译　　147

10.1.2 神经机器翻译　　150

10.2 小结　　163

第11章 使用DeepSpeech进行语音识别　　164

11.1 语音识别概述　　164

11.2 建立用于语音识别的RNN模型　　165

11.2.1 语音信号表示　　165

11.2.2 用于语音数字识别的LSTM模型　　167

11.2.3 TensorBoard可视化　　168

11.2.4 使用DeepSpeech架构的语音转文本模型　　169

11.2.5 语音识别最新技术　　178

11.3 小结　　179

第12章 使用Tacotron进行文本转语音　　180

12.1 TTS领域概述　　181

12.1.1 自然性与可懂性　　181

12.1.2 TTS系统表现的评估方式　　181

12.1.3 传统技术——级联模型和参数模型　　182

12.1.4 关于频谱图和梅尔标度的一些提醒　　182

12.2 深度学习中的TTS　　185

12.2.1 WaveNet简介　　186

12.2.2 Tacotron　　186

12.3 利用Keras的Tacotron实现　　191

12.3.1 数据集　　192

12.3.2 数据准备　　192

12.3.3 架构实现　　196

12.3.4 训练与测试　　200

12.4 小结　　201

第13章 部署训练好的模型　　202

13.1 性能提升　　202

13.1.1 量化权重　　202

13.1.2 MobileNets　　203

13.2 TensorFlow Serving　　205

13.2.1 导出训练好的模型　　206

13.2.2 把导出模型投入服务　　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 在移动设备上部署　　213

13.4.1 iPhone　　213

13.4.2 Android　　213

13.5 小结　　213

拉杰什·阿鲁姆甘（Rajesh Arumugam）

目前在新加坡SAP公司负责机器学习开发工作，此前曾与日立亚洲（新加坡）社会创新中心合作，为智慧城市的多个领域开发过机器学习解决方案。毕业于南洋理工大学，获计算机工程博士学位，曾在多个会议上发表过论文，并在存储和机器学习方面拥有专利。

拉贾林加帕·尚穆加马尼（Rajalingappaa Shanmugamani）

目前在Kairos担任技术经理，此前作为数据学习专家在新加坡SAP公司创新中心工作，并在开发计算机视觉产品的许多创业公司负责过开发和咨询工作。毕业于印度理工学院马德拉斯分校，获硕士学位，学位论文主题基于产业中计算机视觉的应用程序。他还在该领域发表了若干论文。

暂无出版社相关信息，正在全力查找中！

暂无相关书籍摘录，正在全力查找中！

在线阅读地址：Python自然语言处理实战在线阅读

在线听书地址：Python自然语言处理实战在线收听

在线购买地址：Python自然语言处理实战在线购买

暂无原文赏析，正在全力查找中！

书籍介绍

本书介绍自然语言处理和深度学习的核心概念，例如CNN、RNN、语义嵌入和Word2vec等。读者将学习如何使用神经网络执行自然语言处理任务，以及如何在自然语言处理应用程序中训练和部署神经网络。读者会在各种应用领域中使用RNN和CNN，例如文本分类和序列标记，这对于情绪分析、客服聊天机器人和异常检测的应用至关重要。读者还将掌握使用Python流行的深度学习库TensorFlow在语言应用程序中实现深度学习的实用知识。