本書有DRM加密保護,需使用HyRead閱讀軟體開啟
  • TensorFlow自然語言處理:善用Python深度學習函式庫 教機器學會自然語言
  • 點閱:191
  • 譯自:Natural language processing with TensorFlow
  • 作者: Thushan Ganegedara作 , 藍子軒譯
  • 出版社:碁峰資訊
  • 出版年:2019[民108]
  • ISBN:978-986-502-334-8 ; 986-502-334-2 ; 978-986-502-247-1 ; 986-502-247-8
  • 格式:PDF
  • 附註:原紙本書ISBN: 9789865022471 版權頁副題名: 善用Python深度學習函式庫, 教機器學會自然語言

內容簡介
本書提供穩固而札實的實務基礎,讓你有能力解決各種NLP任務。本書涵蓋NLP的各個面向,除了理論基礎之外,更強調實務方面的實作。在解決各種NLP任務時,如果能在實務方面擁有良好的基礎,一定有助於你順利過渡到更高級的理論架構。此外,若能在實務方面有更扎實的理解,也就可以讓你更充分利用特定領域的知識,進而對演算法做出更好的調整。
 
透過本書,您將可以:
.了解NLP的概念與各種自然語言處理方法

.如何應用TensorFlow來進行NLP
.將大量數據處理成可供深度學習應用程序使用的單詞表示的策略
.如何使用CNN和RNN進行句子分類和語言生成
.如何使用RNN來解決複雜的文本生成任務
.如何應用類神經技術開發自動翻譯系統
.自然語言處理的未來趨勢與發展


作者簡介
 
Thushan Ganegedara
 
澳洲新創公司AssessThreat的首席資料科學家。目前正在澳洲雪梨大學攻讀博士,專攻機器學習,尤其喜歡研究深度學習。生活中的他總喜歡冒點風險,也喜歡針對各種未經測試的資料,執行各式各樣的演算法。

  • 前言(第xvii頁)
  • Chapter 1:自然語言處理簡介(第1頁)
    • 「自然語言處理」究竟是什麼?(第1頁)
    • 自然語言處理的任務(第2頁)
    • 自然語言處理的傳統做法(第5頁)
    • 自然語言處理的深度學習做法(第10頁)
    • 讀完本章之後,各主題概念的路線圖(第16頁)
    • 技術工具簡介(第21頁)
    • 總結(第24頁)
  • Chapter 2:TensorFlow 介紹(第27頁)
    • TensorFlow 究竟是什麼?(第27頁)
    • 輸入、變數、輸出和操作(第36頁)
    • 善用 scope 重複使用變數(第58頁)
    • 實作出我們的第一個神經網路(第61頁)
    • 總結(第67頁)
  • Chapter 3:Word2vec|學習單詞內嵌(第69頁)
    • 單詞的表達方式或含義,指的究竟是什麼?(第71頁)
    • 學習單詞表達方式的傳統做法(第71頁)
    • Word2vec:運用神經網路學習單詞表達方式(第79頁)
    • skip-gram 演算法(第86頁)
    • CBOW 連續單詞袋演算法(第99頁)
    • 總結(第102頁)
  • Chapter 4:Word2vec 進階(第103頁)
    • 原始版 skip-gram 演算法(第103頁)
    • skip-gram 與 CBOW 的比較(第107頁)
    • 單詞內嵌演算法的擴展做法(第114頁)
    • 更先進的 skip-gram / CBOW 擴展演算法(第119頁)
    • GloVe|整體向量表達方式(第123頁)
    • 使用 Word2vec 進行文件分類(第126頁)
    • 總結(第135頁)
  • Chapter 5:CNN 卷積神經網路|句子分類(第137頁)
    • CNN 卷積神經網路簡介(第137頁)
    • 理解 CNN 卷積神經網路(第141頁)
    • 練習:用 CNN 對 MNIST 圖片進行分類(第149頁)
    • 使用 CNN 進行句子分類(第154頁)
    • 總結(第163頁)
  • Chapter 6:RNN 遞迴神經網路(第165頁)
    • 瞭解 RNN 遞迴神經網路(第166頁)
    • 時間反向傳播(第171頁)
    • RNN 的應用(第177頁)
    • 用 RNN 生成文字(第180頁)
    • 評估 RNN 所輸出的文字結果(第187頁)
    • 困惑度:衡量文字結果的品質(第188頁)
    • RNN-CF:具有更長記憶的 RNN(第190頁)
    • 總結(第201頁)
  • Chapter 7:LSTM 長短期記憶網路(第203頁)
    • 瞭解 LSTM 長短期記憶網路(第204頁)
    • LSTM 如何解決梯度消失的問題(第215頁)
    • LSTM 的其他變形做法(第223頁)
    • 總結(第227頁)
  • Chapter 8:LSTM 的應用:生成文字(第229頁)
    • 我們的資料(第230頁)
    • 實作 LSTM(第232頁)
    • LSTM、窺孔連結 LSTM 與 GRU 的比較(第243頁)
    • 改進 LSTM:束搜索(第252頁)
    • 改進 LSTM|改用單詞取代 n-gram 來生成文字(第255頁)
    • 使用 TensorFlow RNN API(第261頁)
    • 總結(第265頁)
  • Chapter 9:LSTM 的應用:生成圖片說明(第267頁)
    • 認識資料(第268頁)
    • 生成圖片說明的機器學習流程(第271頁)
    • 用 CNN 提取圖片特徵(第274頁)
    • 實作|載入權重並使用 VGG-16 進行推論(第275頁)
    • 學習單詞內嵌(第281頁)
    • 準備要送入 LSTM 的圖片說明(第282頁)
    • 生成要送進 LSTM 的資料(第283頁)
    • 定義 LSTM(第285頁)
    • 以定量的方式評估結果(第288頁)
    • 測試圖片所生成的圖片說明(第294頁)
    • 使用 TensorFlow RNN API 搭配預訓練過的 GloVe 單詞向量(第298頁)
    • 總結(第309頁)
  • Chapter 10:Seq2Seq 序列轉序列| NMT 神經機器翻譯(第311頁)
    • 機器翻譯(第311頁)
    • 簡短扼要的機器翻譯歷史之旅(第312頁)
    • 瞭解神經機器翻譯(第319頁)
    • 為 NMT 系統準備資料(第324頁)
    • 訓練 NMT(第326頁)
    • 用 NMT 進行推測(第327頁)
    • BLEU 分數|機器翻譯系統的評估(第328頁)
    • 從無到有實作出 NMT|從德語翻譯成英語(第331頁)
    • NMT 結合單詞內嵌的訓練方式(第342頁)
    • 改善 NMT(第347頁)
    • 注意力機制(第350頁)
    • Seq2Seq 模型的其他應用:聊天機器人(第361頁)
    • 總結(第364頁)
  • Chapter 11:NLP 自然語言處理的趨勢與未來(第365頁)
    • NLP 的當前趨勢(第366頁)
    • 其他研究領域的應用(第375頁)
    • 邁向通用人工智慧(第383頁)
    • NLP 在社群媒體方面的應用(第388頁)
    • 不斷湧現的新任務(第391頁)
    • 比較新的一些機器學習模型(第393頁)
    • 總結(第396頁)
    • 參考資料(第397頁)
  • Appendix A:數學基礎和 TensorFlow 進階概念(第399頁)
    • 基本資料結構(第399頁)
    • 特殊型態的矩陣(第402頁)
    • 張量/矩陣運算(第403頁)
    • 機率(第408頁)
    • Keras 簡介(第414頁)
    • TensorFlow seq2seq 函式庫簡介(第415頁)
    • 使用 TensorBoard 以視覺化方式呈現單詞內嵌(第419頁)
    • 總結(第425頁)
紙本書 NT$ 620
單本電子書
NT$ 434

還沒安裝 HyRead 3 嗎?馬上免費安裝~
QR Code