扫一扫
关注中图网
官方微博
本类五星书更多>
-
>
决战行测5000题(言语理解与表达)
-
>
软件性能测试.分析与调优实践之路
-
>
第一行代码Android
-
>
深度学习
-
>
Unreal Engine 4蓝图完全学习教程
-
>
深入理解计算机系统-原书第3版
-
>
Word/Excel PPT 2013办公应用从入门到精通-(附赠1DVD.含语音视频教学+办公模板+PDF电子书)
买过本商品的人还买了
零基础学机器学习
¥52.1¥89.8数据分析思维:分析方法和业务知识
¥62.4¥99.0深度学习进阶:自然语言处理
¥62.4¥99.0深入浅出神经网络与深度学习
¥64.1¥89.0白话机器学习的数学
¥36.0¥59.0
Python自然语言处理实战 版权信息
- ISBN：9787115549266
- 条形码：9787115549266 ; 978-7-115-54926-6
- 装帧：一般胶版纸
- 册数：暂无
- 重量：暂无
- 所属分类：>
Python自然语言处理实战 本书特色
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入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。 进行词语的语义嵌入以对实体进行分类和查找 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
Python自然语言处理实战 内容简介
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。
Python自然语言处理实战 目录
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 *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*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
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 *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*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
展开全部
Python自然语言处理实战 作者简介
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。
书友推荐
- >
月亮与六便士
月亮与六便士
¥15.1¥42.0 - >
推拿
推拿
¥12.2¥32.0 - >
名家带你读鲁迅:朝花夕拾
名家带你读鲁迅:朝花夕拾
¥10.5¥21.0 - >
人文阅读与收藏·良友文学丛书:一天的工作
人文阅读与收藏·良友文学丛书:一天的工作
¥17.0¥45.8 - >
巴金－再思录
巴金－再思录
¥14.7¥46.0 - >
二体千字文
二体千字文
¥14.0¥40.0 - >
我与地坛
我与地坛
¥27.2¥28.0 - >
大红狗在马戏团-大红狗克里弗-助人
大红狗在马戏团-大红狗克里弗-助人
¥3.5¥10.0
本类畅销
-
C专家编程
¥41¥69 -
UG NX 11.0工程图教程-(含1DVD)
¥30.4¥59.9 -
网络爬虫进化论——从Excel爬虫到Python爬虫
¥55.5¥79 -
Python 数据分析基础
¥41¥69 -
Python 3.5从零开始学
¥26.4¥59 -
湖北交通文化
¥21.8¥46
