深度學習(DL)是一個快速發展的領域，在執行傳統上只有人類才能完成的任務時，它已經顯示出驚人的結果。這類任務的例子包括圖像分類、生成圖像的自然語言描述、自然語言翻譯、語音到文本和文本到語音的轉換。學習深度學習(這本書，以后稱為LDL)會讓您快速了解這個主題。它教DL如何工作，它可以做什么，并給你一些實踐經驗，總體目標是為你的進一步學習打下堅實的基礎。
在這本書中，我們使用像這樣的綠色文本框來突出我們認為特別重要的概念。這樣做的目的是確保您不會錯過關鍵概念。讓我們首先指出，我們認為深度學習很重要。
你們將學習感知器和其他人造神經元。它們是促成DL革命的深層神經網絡的基本構件。您將學習完全連接的前饋網絡和卷積網絡。您將應用這些網絡來解決實際問題，例如基于大量變量預測房價，或識別圖像屬于哪個類別。圖P-1顯示了這些類別和圖像的示例。您還將了解如何使用捕獲已編碼單詞的一些語義的編碼來表示自然語言中的單詞。然后，您將使用這些編碼與循環神經網絡一起創建一個基于神經的自然語言翻譯程序。如圖P-2所示，這個翻譯人員可以自動將簡單句子從英語翻譯成法語或其他類似語言。
最后，您將學習如何構建一個結合圖像和語言處理的圖像描述網絡。該網絡以圖像為輸入，自動生成圖像的自然語言描述。我們剛才描述的是LDL的主要描述。在整個旅程中，您將了解許多其他細節。此外，我們還將以一些其他重要的主題作為結尾。我們還提供了深入討論主題集合的附錄。
付費5元查看完整內容
相關內容
自然語言處理實戰教你如何創建實用的NLP應用，而不陷入復雜的語言理論和深度學習的數學。在這本引人入勝的書中，您將探索構建大量強大的NLP應用所需的核心工具和技術，包括聊天機器人、語言檢測器和文本分類器。
真實世界的自然語言處理不是典型的自然語言處理教科書。我們專注于構建真實世界的NLP應用。這里真實世界的意義有兩個方面:首先，我們關注構建真實世界的NLP應用需要什么。作為讀者，您不僅將學習如何訓練NLP模型，還將學習如何設計、開發、部署和監控它們。在此過程中，您還將學習現代NLP模型的基本構建模塊，以及對構建NLP應用有用的NLP領域的最新開發。其次，與大多數介紹性書籍不同，我們采用自上而下的教學方法。我們不采用自下而上的方法，一頁頁地展示神經網絡理論和數學公式，而是專注于快速構建“正常工作”的NLP應用程序。然后我們深入研究組成NLP應用的各個概念和模型。您還將學習如何使用這些基本構建塊構建端到端定制NLP應用，以滿足您的需求。
這本書由三個部分組成，共11章。第1部分介紹了NLP的基礎知識，其中我們學習了如何使用AllenNLP 快速構建一個NLP應用，以完成情感分析和序列標記等基本任務。
第1章首先介紹了NLP的“什么”和“為什么”——什么是NLP，什么不是NLP，如何使用NLP技術，以及NLP如何與人工智能的其他領域相關聯。
第2章演示了如何構建第一個NLP應用程序，一個情感分析器，并介紹了現代NLP模型的基礎知識——單詞嵌入和遞歸神經網絡(RNN)。
第3章介紹了自然語言處理應用的兩個重要組成部分，單詞和句子的嵌入，并演示了如何使用和訓練它們。
第4章討論了最簡單但最重要的NLP任務之一，句子分類，以及如何在這個任務中使用RNN。
第5章介紹了序列標注任務，如詞性標注和命名實體提取。它還涉及到一個相關的技術，語言建模。
第2部分介紹高級NLP主題，包括序列到序列模型、Transformer以及如何利用遷移學習和預先訓練過的語言模型來構建強大的NLP應用。
第6章介紹了序列到序列的模型，它將一個序列轉換為另一個序列。我們在一個小時內構建了一個簡單的機器翻譯系統和一個聊天機器人。
第7章討論了另一種流行的神經網絡結構，卷積神經網絡(CNN)。
第8章深入介紹了Transformer，它是當今最重要NLP模型之一。我們將演示如何使用Transformer構建改進的機器翻譯系統和拼寫檢查器。
第9章在前一章的基礎上，討論了遷移學習，這是現代NLP中的一種流行的技術，使用預先訓練過的語言模型，如BERT。
第3部分將討論與開發NLP應用程序相關的主題，這些應用程序對真實數據具有健壯性，并部署和服務它們。
第10章詳細介紹了開發NLP應用程序時的最佳實踐，包括批處理和填充、正則化和超參數優化。
第11章總結了如何部署和服務NLP模型。它還涵蓋了如何解釋和解釋ML模型。
付費5元查看完整內容
當看到這些材料時，一個明顯的問題可能會出現:“為什么還要寫一本深度學習和自然語言處理的書呢?”一些優秀的論文已經出版，涵蓋了深度學習的理論和實踐方面，以及它在語言處理中的應用。然而，從我教授自然語言處理課程的經驗來看，我認為，盡管這些書的質量非常好，但大多數都不是針對最有可能的讀者。本書的目標讀者是那些在機器學習和自然語言處理之外的領域有經驗的人，并且他們的工作至少部分地依賴于對大量數據，特別是文本數據的自動化分析。這些專家可能包括社會科學家、政治科學家、生物醫學科學家，甚至是對機器學習接觸有限的計算機科學家和計算語言學家。
現有的深度學習和自然語言處理書籍通常分為兩大陣營。第一個陣營專注于深度學習的理論基礎。這對前面提到的讀者肯定是有用的，因為在使用工具之前應該了解它的理論方面。然而，這些書傾向于假設一個典型的機器學習研究者的背景，因此，我經常看到沒有這種背景的學生很快就迷失在這樣的材料中。為了緩解這個問題，目前存在的第二種類型的書集中在機器學習從業者;也就是說，如何使用深度學習軟件，而很少關注理論方面。我認為，關注實際方面同樣是必要的，但還不夠。考慮到深度學習框架和庫已經變得相當復雜，由于理論上的誤解而濫用它們的可能性很高。這個問題在我的課程中也很常見。
因此，本書旨在為自然語言處理的深度學習搭建理論和實踐的橋梁。我涵蓋了必要的理論背景，并假設讀者有最少的機器學習背景。我的目標是讓任何上過線性代數和微積分課程的人都能跟上理論材料。為了解決實際問題，本書包含了用于討論的較簡單算法的偽代碼，以及用于較復雜體系結構的實際Python代碼。任何上過Python編程課程的人都應該能夠理解這些代碼。讀完這本書后，我希望讀者能有必要的基礎，立即開始構建真實世界的、實用的自然語言處理系統，并通過閱讀有關這些主題的研究出版物來擴展他們的知識。
//clulab.cs.arizona.edu/gentlenlp/gentlenlp-book-05172020.pdf
付費5元查看完整內容
自然語言處理(NLP)為解決人工智能方面的問題提供了無限的機會，使Amazon Alexa和谷歌翻譯等產品成為可能。如果您是NLP和深度學習的新手，那么本實用指南將向您展示如何使用PyTorch(一個基于python的深度學習庫)應用這些方法。
作者Delip Rao和Brian McMahon為您提供了關于NLP和深度學習算法的堅實基礎，并演示了如何使用PyTorch構建應用程序，其中包含針對您所面臨問題的文本的豐富表示。每一章包括幾個代碼示例和插圖。
- 探索計算圖表和監督學習范式
- 掌握PyTorch優化張量操作庫的基礎知識
- 對傳統的NLP概念和方法進行概述
- 學習建立神經網絡的基本概念
- 使用嵌入來表示單詞、句子、文檔和其他特性
- 探索序列預測并生成序列對序列模型
- 學習構建生產NLP系統的設計模式
//www.oreilly.com/library/view/natural-language-processing/9781491978221/
付費5元查看完整內容
//www.manning.com/books/deep-learning-with-javascript
深度學習已經改變了計算機視覺、圖像處理和自然語言應用領域。多虧了TensorFlow.js，現在JavaScript開發人員可以無需依賴Python或R就能構建深度學習應用程序。使用JavaScript的深度學習向開發人員展示了如何將DL技術引入web。本書由TensorFlow庫的主要作者編寫，為在瀏覽器或Node上使用JavaScript進行深度學習的應用程序提供了有趣的用例和深入的指導。
關于技術
在瀏覽器或基于Node的后端中運行深度學習應用程序，為智能web應用程序開辟了令人興奮的可能性。使用TensorFlow.js庫，您可以用JavaScript構建和訓練深度學習模型。TensorFlow.js具有無與倫比的可擴展性，模塊化和響應能力，其可移植性確實令人眼前一亮。它的模型可以在JavaScript運行的任何地方運行，從而將ML推向應用程序堆棧的更上層。
關于這本書
在Deep Learning with JavaScript這本書中，您將學習使用TensorFlow.js來構建直接在瀏覽器中運行的深度學習模型。這本快節奏的書由Google工程師撰寫，是實用的，引人入勝且易于閱讀。通過以文本分析，語音處理，圖像識別和自學習游戲AI為特色的各種示例，您將掌握深度學習的所有基礎知識并探索高級概念，例如對現有模型進行再訓練以進行遷移學習和圖像生成。
書里面有什么
在瀏覽器中的圖像和語言處理
用客戶端數據調優ML模型
通過生成式深度學習創建文本和圖像
源代碼示例以進行測試和修改
付費5元查看完整內容
注冊地址： 北京市海淀區羊坊店路18號2幢3層301-191