正版 基於深度學習的自然語言處理 基於深度學習的自然語言處理 自然語言處理教程書機器學習 pdf epub mobi txt 電子書 下載 2024

..........

譯者序

前言

緻謝 

章引言

1��1自然語言處理的挑戰

1��2神經網絡和深度學習

1��3自然語言處理中的深度學習

1��4本書的覆蓋麵和組織結構

1��5本書未覆蓋的內容

1��6術語

1��7數學符號

注釋

部分有監督分類與前饋神經網絡

第2章學習基礎與綫性模型

2��1有監督學習和參數化函數

2��2訓練集、測試集和驗證集

2��3綫性模型

2��3��1二分類

2��3��2對數綫性二分類

2��3��3多分類

2��4錶示

2��5獨熱和稠密嚮量錶示

2��6對數綫性多分類

2��7訓練和優化

2��7��1損失函數

2��7��2正則化

2��8基於梯度的優化

2��8��1梯度下降

2��8��2實例

2��8��3其他訓練方法

第3章從綫性模型到多層感知器

3��1綫性模型的局限性：異或問題

3��2非綫性輸入轉換

3��3核方法 

3��4可訓練的映射函數 

第4章前饋神經網絡

4��1一個關於大腦的比喻

4��2數學錶示

4��3錶達能力

4��4常見的非綫性函數

4��5損失函數

4��6正則化與丟棄法

4��7相似和距離層

4��8嵌入層

第5章神經網絡訓練

5��1計算圖的抽象概念

5��1��1前嚮計算

5��1��2反嚮計算（導數、反嚮傳播）

5��1��3軟件

5��1��4實現流程

5��1��5網絡構成

5��2實踐經驗

5��2��1優化算法的選擇

5��2��2初始化

5��2��3重啓與集成

5��2��4梯度消失與梯度爆炸

5��2��5飽和神經元與死神經元

5��2��6打亂

5��2��7學習率

5��2��8minibatch

第2部分處理自然語言數據

第6章文本特徵構造

6��1NLP分類問題中的拓撲結構

6��2NLP問題中的特徵

6��2��1直接可觀測特徵

6��2��2可推斷的語言學特徵

6��2��3核心特徵與組閤特徵

6��2��4n元組特徵

6��2��5分布特徵

第7章NLP特徵的案例分析

7��1文本分類：語言識彆

7��2文本分類：主題分類

7��3文本分類：作者歸屬

7��4上下文中的單詞：詞性標注

7��5上下文中的單詞：命名實體識彆

7��6上下文中單詞的語言特徵：介詞詞義消歧

7��7上下文中單詞的關係：弧分解分析

第8章從文本特徵到輸入

8��1編碼分類特徵

8��1��1獨熱編碼

8��1��2稠密編碼（特徵嵌入）

8��1��3稠密嚮量與獨熱錶示

8��2組閤稠密嚮量

8��2��1基於窗口的特徵

8��2��2可變特徵數目：連續詞袋

8��3獨熱和稠密嚮量間的關係

8��4雜項

8��4��1距離與位置特徵

8��4��2補齊、未登錄詞和詞丟棄

8��4��3特徵組閤

8��4��4嚮量共享

8��4��5維度

8��4��6嵌入的詞錶

8��4��7網絡的輸齣

8��5例子：詞性標注

8��6例子：弧分解分析

第9章語言模型

9��1語言模型任務

9��2語言模型評估：睏惑度

9��3語言模型的傳統方法

9��3��1延伸閱讀

9��3��2傳統語言模型的限製

9��4神經語言模型

9��5使用語言模型進行生成

9��6副産品：詞的錶示

0章預訓練的詞錶示

10��1初始化

10��2有監督的特定任務的預訓練

10��3無監督的預訓練

10��4詞嵌入算法

10��4��1分布式假設和詞錶示

10��4��2從神經語言模型到分布式錶示

10��4��3詞語聯係

10��4��4其他算法

10��5上下文的選擇

10��5��1窗口方法

10��5��2句子、段落或文檔

10��5��3句法窗口

10��5��4多語種

10��5��5基於字符級彆和子詞的錶示

10��6處理多字單元和字變形

10��7分布式方法的限製

1章使用詞嵌入

11��1詞嚮量的獲取

11��2詞的相似度

11��3詞聚類

11��4尋找相似詞

11��5同中選異

11��6短文檔相似度

11��7詞的類比

11��8改裝和映射

11��9實用性和陷阱

2章案例分析:一種用於句子意義推理的前饋結構

12��1自然語言推理與 SNLI數據集

12��2文本相似網絡

第三部分特殊的結構

3章n元語法探測器：捲積神經網絡

13��1基礎捲積池化

13��1��1文本上的一維捲積

13��1��2嚮量池化

13��1��3變體

13��2其他選擇：特徵哈希

13��3層次化捲積

4章循環神經網絡：序列和棧建模

14��1RNN抽象描述

14��2RNN的訓練

14��3RNN常見使用模式

14��3��1接收器

14��3��2編碼器

14��3��3傳感器

14��4雙嚮RNN

14��5堆疊RNN

14��6用於錶示棧的RNN

14��7文獻閱讀的注意事項

5章實際的循環神經網絡結構

15��1作為RNN的CBOW

15��2簡單RNN

15��3門結構

15��3��1長短期記憶網絡

15��3��2門限循環單元

15��4其他變體

15��5應用到RNN的丟棄機製

6章通過循環網絡建模

16��1接收器

16��1��1情感分類器

16��1��2主謂一緻語法檢查

16��2作為特徵提取器的RNN

16��2��1詞性標注

16��2��2RNN�睳文本分類

16��2��3弧分解依存句法分析

7章條件生成

17��1RNN生成器

17��2條件生成（編碼器解碼器）

17��2��1序列到序列模型

17��2��2應用

17��2��3其他條件上下文

17��3無監督的句子相似性

17��4結閤注意力機製的條件生成

17��4��1計算復雜性

17��4��2可解釋性

17��5自然語言處理中基於注意力機製的模型

17��5��1機器翻譯

17��5��2形態屈摺

17��5��3句法分析

第四部分其他主題

8章用遞歸神經網絡對樹建模

18��1形式化定義

18��2擴展和變體

18��3遞歸神經網絡的訓練

18��4一種簡單的替代——綫性化樹

18��5前景

9章結構化輸齣預測

19��1基於搜索的結構化預測

19��1��1基於綫性模型的結構化預測

19��1��2非綫性結構化預測

19��1��3概率目標函數（CRF）

19��1��4近似搜索

19��1��5重排序

19��1��6參考閱讀

19��2貪心結構化預測

19��3條件生成與結構化輸齣預測

19��4實例

19��4��1基於搜索的結構化預測：一階依存句法分析

19��4��2基於Neural�睠RF的命名實體識彆

19��4��3基於柱搜索的NER�睠RF近似

第20章級聯、多任務與半監督學習

20��1模型級聯

20��2多任務學習

20��2��1多任務設置下的訓練

20��2��2選擇性共享

20��2��3作為多任務學習的詞嵌入預訓練

20��2��4條件生成中的多任務學習

20��2��5作為正則的多任務學習

20��2��6注意事項

20��3半監督學習

20��4實例

20��4��1眼動預測與句子壓縮

20��4��2弧標注與句法分析

20��4��3介詞詞義消歧與介詞翻譯預測

20��4��4條件生成：多語言機器翻譯、句法分析以及圖像描述生成

20��5前景

第21章結論

21��1我們學到瞭什麼

21��2未來的挑戰

參考文獻