新書推薦： 《
Python贝叶斯深度学习
》 售價：HK$
89.4
《
启微·狂骉年代：西洋赛马在中国
》 售價：HK$
78.4
《
有趣的中国古建筑
》 售價：HK$
67.0
《
十一年夏至
》 售價：HK$
76.2
《
如何打造成功的商业赛事
》 售價：HK$
89.5
《
万千教育学前·透视学前儿童的发展：解析幼儿教师常问的那些问题
》 售價：HK$
58.2
《
慈悲与玫瑰
》 售價：HK$
87.4
《
启蒙的辩证：哲学的片简（法兰克福学派哲学经典，批判理论重要文本）
》 售價：HK$
76.2
編輯推薦：
1. Meta资深工程师、数据科学家、机器学习算法研发专业人员执笔，传递值得借鉴学习的经验和见解。2. 从研究员和实践者的双重角度出发，系统介绍深度学习技术原理及其在自然语言处理中的应用。3. 汇集该领域的重要思想和研究成果，清晰梳理自然语言处理技术发展脉络，帮助读者更好地了解该领域的发展历程和趋势。4. 内容新颖全面，聚焦前沿，讲解深入浅出、通俗易懂，适合入门自然语言处理，是一本不容错过的优质参考书。
內容簡介：
本书针对当前火热且应用前景广阔的自然语言处理（NLP），介绍了深度学习的技术原理及其在自然语言处理中的应用；简要分析了该领域各个应用方向上的相关模型和关键技术，包括Transformer、BERT、GPT，等等；汇集了众多论文中的重要思想和研究成果；系统梳理了技术发展脉络。此外，本书还介绍了如何使用深度学习技术来训练模型，并分析了其在应用中的表现及优化手段，以帮助读者更好地将理论应用于实践。本书内容通俗易懂，可作为入门自然语言处理的参考书。
關於作者：
张镭目前在Meta公司从事机器学习算法研发。美国伊利诺伊大学芝加哥分校计算机科学博士，主要研究领域为自然语言处理、机器学习和数据挖掘。在国内外学术期刊和会议上已发表20多篇学术文章，获得多项美国专利，合著有Mining Text Data等4本关于文本数据挖掘和大数据计算的图书，并长期受邀担任自然语言处理国际期刊评委和国际会议程序委员会委员。
目錄
前言 iii第 1章 绪论 11.1 机器学习简介 11.1.1 机器学习的发展历程 11.1.2 机器学习的算法分类 41.2 深度学习简介 51.3 自然语言处理简介 71.3.1 自然语言处理的发展历程 71.3.2 自然语言处理的研究方向 81.3.3 自然语言理解的主要任务 81.3.4 自然语言生成的任务 141.3.5 自然语言处理面临的挑战 151.4 自然语言处理与机器学习和深度学习 16第 2章 深度学习基础 172.1 前馈神经网络 172.2 卷积神经网络 202.3 循环神经网络 242.4 长短期记忆网络 262.5 记忆网络和神经图灵机 282.6 图神经网络 302.7 深度生成模型 332.7.1 自编码器和变分自编码器 342.7.2 生成对抗网络 392.8 Transformer 392.8.1 Transformer的编码模块 412.8.2 Transformer的解码模块 42第3章 词表征 443.1 语言模型 453.2 基于矩阵的词分布表征模型 463.2.1 潜在语义分析 463.2.2 GloVe 473.3 基于聚类的词分布表征模型 483.4 基于神经网络的词分布表征模型 493.4.1 NNLM 503.4.2 RNNLM 523.4.3 Collobert-Weston模型 533.4.4 Word2Vec 543.4.5 ELMo 583.4.6 ULMFit 603.4.7 GPT 613.4.8 BERT 623.4.9 T5 643.5 跨语言的词嵌入模型 643.5.1 基于词对齐 653.5.2 基于预训练的方法 663.6 其他表征 67第4章 注意力机制 694.1 注意力机制的由来 694.2 注意力机制的扩展 724.2.1 全局注意力和局部注意力 724.2.2 自注意力 754.3 NTM和MemNN的注意力机制 774.3.1 NTM的注意力机制 784.3.2 MemN2N的注意力机制 794.4 指针网络的注意力机制 81第5章 迁移学习 835.1 迁移学习的定义和分类 835.2 领域自适应 865.2.1 基于样本的迁移学习 865.2.2 基于特征映射的迁移学习 885.2.3 基于对抗的深度迁移学习 915.3 多任务学习 915.4 序列迁移学习 945.4.1 预训练语言模型 955.4.2 微调 955.5 跨语言的迁移学习 97第6章 强化学习 986.1 强化学习的定义 996.1.1 马尔可夫决策过程 996.1.2 强化学习的模型 1006.1.3 智能体的策略 1016.1.4 价值函数 1016.2 贝尔曼方程 1036.3 强化学习的分类 1046.3.1 有模型学习 1056.3.2 免模型学习 1076.3.3 基于值函数和基于策略函数的学习 1126.4 深度强化学习 1156.5 深度强化学习在NLP中的应用 116第7章 机器翻译 1177.1 机器翻译的发展历程 1177.2 神经机器翻译 1187.3 基于RNN的Seq2Seq模型 1207.4 基于CNN的Seq2Seq模型 1247.5 神经机器翻译的策略 1267.5.1 解码策略 1267.5.2 估计softmax函数计算 1277.5.3 缩小词典 1277.5.4 处理生僻词和未知词 1287.6 机器翻译的评价方法 1297.6.1 人工评价 1307.6.2 下游系统评价 1307.6.3 BLEU 130第8章 文本摘要 1328.1 抽取式摘要 1328.1.1 传统机器学习方法 1338.1.2 深度学习方法 1358.2 生成式摘要 1368.2.1 传统机器学习方法 1378.2.2 深度学习方法 1378.3 文本摘要的评价 139第9章 自动问答 1409.1 基于检索的自动问答 1409.1.1 文本检索模块 1419.1.2 文本理解模块 1439.2 基于知识库的自动问答 1469.3 基于社区的自动问答 1489.3.1 专家推荐 1489.3.2 相似问题检索 1499.3.3 答案质量评估 1499.4 深度自动问答系统 1509.4.1 抽取式机器阅读理解 1509.4.2 生成式机器阅读理解 1519.5 自动问答系统的评价 151第 10章 对话系统 15310.1 面向任务的对话系统 15410.1.1 自然语言理解 15510.1.2 对话管理 15510.1.3 自然语言生成 15710.2 开放域对话系统 15810.2.1 检索式方法 15910.2.2 生成式方法 15910.2.3 混合方法 16010.2.4 开放域对话系统的关键问题 16010.3 对话系统的评测 162第 11章 情感分析 16411.1 情感分析的分类 16511.1.1 文档级情感分析 16611.1.2 句子级情感分析 16711.1.3 方面级情感分析 16811.1.4 监督学习和基于词典的方法比较 16911.2 方面和实体提取 17011.2.1 挖掘频繁出现的名词短语 17011.2.2 利用情感词与目标词之间的语法关系 17011.2.3 应用监督学习模型 17111.2.4 使用主题模型 17111.3 情感词典 17211.3.1 基于词典的方法 17211.3.2 基于语料库的方法 17211.4 多模态情感分析 173第 12章 ChatGPT 17412.1 大型语言模型 17412.1.1 语言模型的演化 17512.1.2 大型语言模型的训练 17612.1.3 语境学习 17612.1.4 提示工程 17712.2 基于人工反馈的强化学习方法 17912.3 生成ChatGPT 18012.3.1 步骤1：微调GPT-3.5 18012.3.2 步骤2：训练奖励模型 18012.3.3 步骤3：利用强化学习微调ChatGPT 18112.4 ChatGPT的发展 181参考文献 183
購物車/收銀台(
0
) | 在線留言板
| 付款方式
| 運費計算
| 聯絡我們
| 幫助中心 |
加入書簽
HOME
新書上架
