Алгоритмы и практики понимания машинного чтения Издательство машиностроительной промышленности Чжу Чэнгуан Анализ технологии поддержки машинного чтения Архитектура модели Новейшая модель алгоритма Исходный код SDNet и книги по его реализации Книги по приложениям
Цена: 1 135руб. (¥53.7)
Артикул: 615258238697
Вес товара: ~0.7 кг. Указан усредненный вес, который может отличаться от фактического. Не включен в цену, оплачивается при получении.
Описание товараПродавец:义博图书专营店
Рейтинг:
Всего отзывов:0
Положительных:0
Добавить в корзину
Другие товары этого продавца
¥ 108 79.91 689руб.
¥59.831 265руб.
¥ 99 73.81 560руб.
¥ 42 29.6626руб.
E1
 
Цена: 79 юаней
Автор: Чжу Ченгуанг
Название серии: Интеллектуальная и техническая серия
Пресса: Machinery Industry Press
ISBN: 9787111649502
Время приземления: 2020-3-28
Книга разделена на три части, в общей сложности 10 глав.Первая часть - это основы для представления базовых знаний о понимании прочитанного машины.К ним относятся определение задач понимания прочитанного машины, а также технологии обработки естественного языка и сетевые модули глубокого обучения, обычно используемые в моделях понимания прочитанного.
Вторая часть -это глава архитектуры, классифицируйте задачу понимания машины, а затем представлена базовый алгоритм архитектуры модели и режущегося Революционное влияние на исследование понимания машины
Третья часть - это фактическая глава, включая интерпретация кода автора модели SDNet в 2018 году для получения конкуренции с пониманием COQA, конкретного процесса посадки и проблем понимания машин в различных промышленных приложениях и будущего понимания автора машинного чтения Понимание в будущем мышлении в направлении развития.
Предисловие 1
Предисловие 2
Предисловие
Первая основная глава
Глава 1 Машино 2
1.1 Задача понимания прочитанного машины 2
1.1.1 Модель понимания прочитанного машины 3
1.1.2 Применение понимания прочитанного машины 4
1.2 Обработка естественного языка 5
1.2.1. 5
1.2.2 Проблема, которая еще должна быть решена 6
1.3 В -depth обучение 7
1.3.1 Характеристики глубокого обучения 7
1.3.2 Результаты глубокого обучения 10
1.4 Метод оценки задачи понимания машинного чтения 11
1.4.1 Форма ответа на понимание прочитанного машины 11
1.4.2 Бесплатные ответы Ответы Rouge 12
1.5 Набор данных по чтению машины 14
1.5.1 Набор данных в одиночном абзаце 14
1.5.2 Набор данных многогранника 19
1.5.3 Набор данных текстовой библиотеки 22
1.6 Понимание машины Понимание данных 23
1.6.1 Генерация наборов данных 23
1.6.2 генерация стандартных ответов 24
1.6.3 Как разработать наборы данных высокого качества 26
1.7 Сводка этой главы 30
Глава 2 Основная основания лечения естественного языка 31
2.1 Текстовое слово 31
2.1.1 Китайские слова 32
2.1.2 английские слова 33
2.1.3 байт для кодирования BPE 35
2.2 Краеугольный камень языковой обработки: вектор слов 37
2.2.1 Vectorization слов 37
2.2.2 Word2VEC Word Vector 39
2.3 именование сущности и на основе слов маркировки на основе слов 42
2.3.1 Признание объекта именования 42
2.3.2 44
2.4 Языковая модель 48
2.4.1 N Yuan Model 49
2.4.2 Оценка языковой модели 52
2.5 Сводка этой главы 53
Глава 3 Глубокое обучение в лечении естественного языка 54
3.1 От вектора слов до текстового вектора 54
3.1.1 Используйте окончательное состояние RNN 55
3.1.2 Используйте CNN и пруд 55
3.1.3 Используйте участие участия 58
3.2 Позвольте компьютеру сделать вопрос о выборе: Понимание естественного языка 59
3.2.1 Сетевая модель 59
3.2.2 Фактическая боевая борьба: классификация текста 60
3.3 Пусть компьютер напишет статьи: генерация естественного языка 62
3.3.1 Модель сети 62
3.3.2 Фактический боевой бой: генерировать текст 63
3.3.3 Поворот поиска 65
3.4 Позвольте компьютеру сосредоточиться на разуме: механизм внимания 67
3.4.1 Расчет механизма внимания 68
3.4.2 Фактическая борьба: используйте функцию внутреннего накопления для расчета внимания 69
3.4.3 Ссылка на модель последовательности 69
3.5 Сводка этой главы 70
Статья 2
Глава 4 72
4.1 Общая архитектура 72
4.2 Кодирование слоя 74
4.2.1 Создание и инициализация таблицы словарного запаса 74
4.2.2 Кодирование символов 75
4.2.3 Кодирование контекста 77
4.3 Интерактивный слой 79
4.3.1 Взаимное внимание 79
4.3.2 Самоатрация 81
4.3.3 Кодирование контекста 82
4.4 Выходной слой 83
4.4.1 Вектор структурной проблемы представляет собой 83
4.4.2 Генерация нескольких ответов с несколькими опциями 84
4.4.3. 85
4.4.4. 87
4.5 Сводка этой главы 93
Глава 5 Общая модель понимания прочитанного машины 94
5.1 Оба модели потока внимания направленного внимания 94
5.1.1 Кодирование слоя 94
5.1.2 Интерактивный слой 95
5.1.3 Выходной слой 98
5.2 R-net 99
5.2.1 Внимание, основанное на управлении двери, циркулирующая нейронная сеть 100
5.2.2 Сетевая архитектура 101
5.3 Fusion Network 104
5.3.1 История слов 104
5.3.2. 105
5.3.3 Общая архитектура 106
5.4 Модель поиска ключевых слов и чтения 109
5.4.1 Поиск 110
5.4.2 Читатель 112
5.5 Сводка этой главы 115
Глава 6 Предварительно подготовленная модель 116
6.1 Предварительно подготовленная модель и миграционное обучение 116
6.2. 118
6.2.1 Модель машинного перевода 119
6.2.2 Контекст кодировка 120
6.3 Предварительная модель на основе языковой модели Elmo 121
6.3.1 Двухчастотная языковая модель 122
6.3.2 Использование Elmo 123
6.4 Generation Pre -Training Model GPT 125
6.4.1 Transformer 125
6.4.2 Архитектура модели GPT 129
6.4.3 Как использовать GPT 129
6.5 Предварительная модель Bert Bert 131
6.5.1 Двухчастотная языковая модель 131
6.5.2 Суждение о следующем тексту 132
6.5.3. 133
6.5.4 Использование Берта в целевой задаче 133
6.5.5 Фактическое борьба: штраф -подсказание BERT в интервальном ответе 137
6.6 Сводка этой главы 138
Третья часть боя
Глава 7 Анализ кода SDNet SDNET код 140
7.1 Multi -Round Dialoge Reading Понимание модели SDNet 140
7.1.1 Кодирование слоя 141
7.1.2 Интерактивный слой и выходной слой 142
7.2 Руководство по введению и эксплуатации кода SDNET 143
7.2.1 Введение кода 143
7.2.2 Руководство по эксплуатации 143
7.2.3 Файл конфигурации 145
7.3 Процедура предварительной обработки 147
7.3.1 Функция инициализации 148
7.3.2 Предварительная функция обработки 149
7.4 Программа обучения 154
7.4.1 Обучающий базовый класс 154
7.4.2 Подкласс 155
7,5 партии генератора данных 159
7.5.1 Маска 160
7.5.2. Подготовка данных BERT 164
7.6 модель SDNet 166
7.6.1 Класс сетевой модели 166
7.6.2 Расчет слоя 171
7.6.3 Сгенерировать кодирование BERT 177
7.7 Сводка этой главы 178
Глава 8 Применение и будущее понимания прочитанного машины 179
8.1 Умное обслуживание клиентов 179
8.1.1 Установите базу знаний о обслуживании клиентов продукта 180
8.1.2 Понять намерения пользователя 181
8.1.3 183
8.1.4 Другие модули в Smart Customers Service 183
8.2 Поисковая система 184
8.2.1 Технология поисковых систем 185
8.2.2 Понимание прочитанного машины в поисковой системе 187
8.2.3 Будущее и вызов 188
8.3 Медицинский и здоровье 189
8.4 Закон 190
8.4.1 Smart Trial 191
8.4.2 Определите применимые условия 192
8.5 Финансы 193
8.5.1 Прогноз цен на акции 193
8.5.2 Аннотация новостей 195
8.6 Образование 196
8.7 Будущее понимания прочитанного машины 196
8.7.1 Задача, стоящая перед изучением понимания прочитанного машины 197
8.7.2 Индустриализация понимания прочитанного машины 202
8.8 Резюме этой главы 203
Приложение основы машинного обучения 205
Приложение B Основы глубокого обучения 208