Обработка естественного языка dangdang.com на основе Pytorch
Цена: 656руб. (¥31)
Артикул: 623967598316
Доставка по Китаю (НЕ включена в цену):
127 руб. (¥6)
Вес товара: ~0.7 кг. Указан усредненный вес, который может отличаться от фактического. Не включен в цену, оплачивается при получении.
Описание товараПродавец:当当网官方旗舰店
Рейтинг:
Всего отзывов:0
Положительных:0
Добавить в корзину
Другие товары этого продавца
¥63.841 349руб.
¥871 839руб.
¥66.481 405руб.
¥59.21 251руб.
Это книга, которая использует Pytorch для изучения обработки естественного языка и глубокого обучения.Обработка естественного языка предоставляет неограниченные возможности для решения проблем искусственного интеллекта, чтобы такие продукты, как Amazon Alexa и Google Translate.Если вы являетесь первым контактом с разработчиками или учеными для данных в NLP и глубоком обучении, это практическое руководство покажет вам, как использовать Pytorch (библиотека глубокого обучения на основе Python) для применения этих методов.Два исследователя предоставляют вам прочную основу для алгоритмов NLP и глубокого обучения.Они также продемонстрировали, как использовать Pytorch для создания приложений. Эти приложения включают в себя богатую форму текста, с которой вы сталкиваетесь, и каждая глава содержит несколько примеров кода и описания."Это книга, которая применяет Pytorch для изучения NLP и глубокого обучения. Автор этой книги проделал очень выдающуюся работу, что не только ясно объясняет концепцию NLP, но и демонстрирует в коде каждой главы, чтобы позволить себе Мы позволим нам использовать Pytorch для решения фактической задачи NLP ». - Линг Тан, ученый из Ракутена из Ракутена
Основная информация
Оглавление
Предисловие 1
Глава 1 Обзор 7
Мониторинг обучения парадигма 9
Случайный метод падения градиента 11
Образец и целевое кодирование 12
ОДНА-HOT 12
Частое представление (TF) 14
TF -DF представляет 15
Целевое кодирование 16
Расчет Рисунок 17
Pytorch Basics 19
Динамическая и статическая диаграмма расчетов 19
Установите Pytorch 20
Создать тензор 21
Тип и размер 23
Операция 25
ИНДЕКС, SLICE, соединение 27
Диаграмма натяжения и расчета 31
Натяжение CUDA 32
Упражнение 34
Ответ 35
Резюме 36
Ссылки 36
Глава 2 Лечение естественного языка 37
Коргхем, слово и тип 38
Функция инженерия 40
Один юань, двойной, три юаня, ..., N Yuan Model 41
Слово -обработанное восстановление и стерилизация экстракт 41
Классификация документов 42
Категория слов: именование слов 42
Классификация битвы: Блок и названный признание сущности 43
Структура предложения 44
Значение слова и семантика 45
Резюме 46
Ссылки 47
Глава 3 Neural Network Basic 49
Выполнить: самая простая нейронная сеть 49
Функция активации 51
sigmoid 52
Tanh 53
ReLU 53
Softmax 54
Функция потерь 55
Потеря ошибки эквалайзера 56
Категория потерь энтропия 56
Потеря поперечной энтропии 58
В обучении по наблюдению 59
Построить образец данных 59
В конечном итоге: градиент -основанное на надзоре.
Концепции вспомогательного обучения 63
Правильная производительность модели измерения: индикатор оценки 64
Правильно измерить производительность модели: набор данных сегмента 64
Знайте, когда прекратить тренировки 65
Найдите правильную супер -переоценку 65
Стандартизированный 66
Случай: классификация обзора ресторана 67
Набор данных комментариев Yelp 68
Понять набор данных Pytorch, указывающий 70
Словарный счетчик, вектор (векторизатор) и преобразователь данных (DataLoader) 73
Классификатор восприятия 79
Программа обучения 80
Оценка, вывод и проверка 86
Оценка данных тестирования 87
Резюме 90
Ссылка 91
Глава 4 Федерационная сеть для лечения естественного языка 93
Многоуровневое восприятие 94
Простой пример: две категории 96
Внедрить MLP 98 в Pytorch
Пример: классификация фамилий с MLP 102
Набор данных фамилии 103
Словарь, векторизатор и DataLoader 104
Фамилия классификатор модель 106
Программа обучения 108
Оценка модели и прогноз 110
Регулярный MLP: регуляризация света и регуляризации и структуры (или выброс) 112
Сверточная нейронная сеть 114
CNN Super Parameter 115
Внедрить CNN 120 в Pytorch
Пример: используйте CNN, чтобы классифицировать фамилию 123
Набор данных фамилии 124
Словарный запас, векторизованная программа и конвертер данных 125
Реализуйте классификатор по фамилии 126 с помощью сверточной сети
Процедура обучения 128
Оценка модели и прогноз 129
Разное тема 130 в CNN
Чихуа 130
Batchnorm 131
Сетевое соединение в сети (1x1 сверло) 131
Остаточное соединение/ остаточный блок 132
Резюме 133
Ссылки 134
Глава 5 встроенные слова и тип 135
Почему обучение встроено? 136
Встроенная эффективность 137
Как изучить встроение слова 138
Фактическое использование предустановленного слова 138
Пример: встроенный 145 модели непрерывной лексической сумки
Набор данных Франкенштейна 146
Слова, векторизатор и DataLoader 148
CbobyClassifier Model 149
Программа обучения 150
Оценка модели и прогноз 151
Пример: используйте предварительно подготовку встроенного для документации 151
Набор данных о новостях 152
Словарь, векторизатор и DataLoader 153
NewsClassifier Model 156
Программа обучения 159
Оценка и прогноз модели 160
Резюме 161
Ссылка 162
Глава 6 Моделирование последовательности 165 лечения естественного языка 165
Введение в рекурсивную нейронную сеть 166
Реализовать Elman Rnn 169
Пример: используйте персонаж RNN для классификации национальности фамилии 171
Фамминовый класс 171
Векторная структура данных 173
Фамилия классификатор модель 174
Программа обучения и результаты 177
Резюме 178
Ссылка 178
Глава 7 Модель промежуточной последовательности обработки естественного языка 179
Проблема обычного RNN (или Elman RNN) 180
Используйте метод управления двери, чтобы решить проблему обычного RNN 181
Пример: символ для генерации фамилии RNN 183
Фамминовый класс 183
Векторная структура данных 185
От Элманрнна до Гру 187
Модель 1: Модель 187 безусловной фамилии модель 187
Модель 2: Состояние фамилии модель 189
Программа обучения и результаты 190
Навыки и трюки модели последовательности тренировок 196
Ссылки 198
ГЛАВА 8 ПРЕДЛОЖЕНИЯ ПОСЛЕДНЕГО СЕКСИКА СОЕДИНЕНИЯ НА ЕСТЬ ИНГАНИИ 199
Последовательность к последовательной модели, модель и условия Encoder-Decoder генерируют 199
Получите больше информации из последовательности: две рекурсивные модели 203
Получите больше информации из последовательности: внимание 205
Внимание в глубокой нейронной сети 207
Оценить модель генерации последовательностей 209
Пример: нейро -махин перевод 2111
Набор данных по машинному переводу 212
Векторизованный трубопровод NMT 213
Код и декодирование в модели NMT 218
Программа обучения и результаты 229
Резюме 231
Ссылки 232
Глава 9 Классика, магазин и следующая разработка 235
Чему мы учимся до сих пор?235
Вечная тема в NLP 236
Диалог и интерактивная система 236
Дискурс 237
Извлечение информации и добыча текста 239
Анализ файлов и поиск 239
NLP Frontier 239
Режим проектирования производства системы НЛП 241
что дальше?246
Ссылки 247
Введение автора 249
Внедрение обложки 249
......
Основным содержанием этой книги являются: Изучение расчетных схем и парадигм обучения.Мастер Фонд библиотеки тензоров оптимизации пит -образной оптимизации.Обзор традиционных концепций и методов НЛП.Изучите основную идею создания нейронной сети.Проверьте нейронную сеть обратной связи, такую как многослойное восприятие.Используйте встроенные методы для представления слов, предложений, документов и т. Д.Узнайте, как использовать рекурсивные нейронные сети для моделирования данных последовательности.Исследуйте прогноз последовательности и генерируйте модель последовательности к последовательности.Научитесь создавать шаблон проектирования для построения систем NLP.
......
Delip Rao является основателем Joostware. Joostware - консалтинговая компания со штаб -квартирой в Сан -Франциско, специализирующаяся на машинном обучении и исследованиях NLP.Он также является соучредителем Fake News Challenge. Мероприятие направлено на то, чтобы вызвать хакеров и исследователей ИИ вместе, чтобы совместно изучать вопросы, связанные с фактами в новостях.Делип ранее занимался исследованиями НЛП и продуктами в Твиттере и Алекса.Брайан МакМахан - научный сотрудник NLP Wells Fargo.До этого он занимался исследованиями НЛП в Joostware.