亚洲男人的天堂2018av,欧美草比,久久久久久免费视频精选,国色天香在线看免费,久久久久亚洲av成人片仓井空

//www.oreilly.com/library/view/natural-language-processing/9781098103231/

自2017年推出以來，Transformer已迅速成為在各種自然語言處理任務上實現最先進結果的主導架構。如果你是一名數據科學家或程序員，這本實用的書向你展示了如何使用基于python的深度學習庫hugs Face transformer來訓練和擴展這些大型模型。

Transformers 已經被用來編寫真實的新聞故事，改進谷歌搜索查詢，甚至創造出講笑話的聊天機器人。在本指南中，作者Lewis Tunstall、Leandro von Werra和Thomas Wolf(擁抱Transformers 的創始人之一)使用親身實踐的方法來教你Transformers如何工作，以及如何將它們集成到應用程序中。你會很快學到他們能幫你解決的各種任務。

• 為核心NLP任務構建、調試和優化Transformers模型，如文本分類、命名實體識別和回答問題

• 學習如何使用Transformers進行跨語言遷移學習

• 在真實世界中標簽數據稀缺的場景中應用Transformers

• 利用蒸餾、剪枝和量化等技術，使Transformers模型有效地用于部署

• 從零開始訓練Transformers ，學習如何擴展到多個GPU和分布式環境

本書的目標是讓您能夠構建自己的語言應用程序。為了達到這個目的，它關注于實際的用例，并且只在必要的時候深入研究理論。這本書的風格是動手操作，我們強烈建議您親自運行代碼示例來進行試驗。本書涵蓋了NLP中transformers的所有主要應用，每一章(除了少數例外)專門針對一個任務，結合一個實際的用例和數據集。每一章還介紹了一些額外的概念。以下是我們將涉及的任務和主題的一個高級概述:

第一章，你好Transformers，介紹了Transformers，并把它們放到了背景中。它還介紹了“Hugging Face”生態系統。

第二章文本分類，重點介紹了情感分析(一個常見的文本分類問題)，并介紹了Trainer API。

第三章，Transformer剖析，更深入地介紹了Transformer架構，為接下來的章節做準備。

第四章，多語言命名實體識別，重點關注在多語言文本中識別實體的任務(一個令牌分類問題)。

第五章，文本生成，探討了Transformers模型生成文本的能力，并介紹了解碼策略和度量。

第六章，摘要，深入研究了文本摘要的復雜序列到序列任務，并探討了該任務使用的度量。

第七章“問答”，重點介紹了基于綜述的問答系統的構建，并介紹了利用Haystack進行檢索的方法。

第八章《Transformers在生產中高效運行》，重點介紹了模型性能。我們將著眼于意圖檢測的任務(序列分類問題的一種類型)，并探索知識蒸餾、量化和剪枝等技術。

第九章，處理很少或沒有標簽，著眼于在沒有大量標簽數據的情況下提高模型性能的方法。我們將構建一個GitHub問題標簽和探索技術，如零樣本分類和數據增強。

第十章，從頭開始訓練Transformer，向您展示了如何從頭開始構建和訓練一個自動完成Python源代碼的模型。我們將研究數據集流和大規模培訓，并構建我們自己的標記器。

第十一章，未來方向，探討了Transformers面臨的挑戰和一些令人興奮的新方向的研究，在這一領域將進入。

面向對象Python (OOP)是一種將數據和代碼組合成內聚單元的范例，允許您以不同的方式思考計算問題，并以高度可重用的方式解決它們。面向中級程序員的《面向對象的Python》是一本深入探討OOP核心原則的動手教程，向您展示如何使用封裝、多態性和繼承來使用Python編寫游戲和應用程序。

本書從演示過程編程中固有的關鍵問題開始，然后引導您了解在Python中創建類和對象的基礎知識。您將在此基礎上開發按鈕、文本字段和其他在事件驅動環境中是標準的GUI元素。您還將使用許多真實世界的代碼示例和兩個基于pygame的包來幫助將理論轉化為實踐，使您能夠輕松編寫帶有GUI小部件、動畫、多個場景和可重用的游戲邏輯的交互式游戲和應用。在最后一章中，您將通過構建一個功能齊全的視頻游戲將所有內容結合在一起，該游戲包含了本書中涉及的許多OOP技術和GUI元素。

您將學習如何:

使用一個對象管理器對象創建和管理多個對象

使用封裝對客戶端代碼隱藏對象的內部細節

使用多態性定義一個接口并在多個類中實現它

應用繼承來構建現有代碼

面向對象的Python是一個可視化的、直觀的指南，它完全理解OOP是如何操作的，以及如何使用它使代碼更具可維護性、可讀性和效率——同時不犧牲功能。

//nostarch.com/object-oriented-python

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。

自然語言數據的一個重要子集包括跨越數千個token的文檔。處理這樣長的序列的能力對于許多NLP任務是至關重要的，包括文檔分類、摘要、多跳和開放域問答，以及文檔級或多文檔關系提取和引用解析。然而，將最先進的模型擴展到較長的序列是一個挑戰，因為許多模型都是為較短的序列設計的。一個值得注意的例子是Transformer模型，它在序列長度上有二次計算代價，這使得它們對于長序列任務的代價非常昂貴。這反映在許多廣泛使用的模型中，如RoBERTa和BERT，其中序列長度被限制為只有512個tokens。在本教程中，我們將向感興趣的NLP研究人員介紹最新和正在進行的文檔級表示學習技術。此外，我們將討論新的研究機會，以解決該領域現有的挑戰。我們將首先概述已建立的長序列自然語言處理技術，包括層次、基于圖和基于檢索的方法。然后，我們將重點介紹最近的長序列轉換器方法，它們如何相互比較，以及它們如何應用于NLP任務(參見Tay等人(2020)最近的綜述)。我們還將討論處理長序列的關鍵的各種存儲器節省方法。在本教程中，我們將使用分類、問答和信息提取作為激勵任務。我們還將有一個專注于總結的實際編碼練習。

這個更新的第二版提供了機器學習算法和架構設計的指導。它提供了醫療保健領域智能系統的真實應用，并涵蓋了管理大數據的挑戰。

這本書已經更新了在海量數據，機器學習和人工智能倫理的最新研究。它涵蓋了管理海量數據復雜性的新主題，并提供了復雜機器學習模型的例子。來自全球醫療服務提供商的實證研究展示了大數據和人工智能在對抗慢性和新疾病(包括COVID-19)方面的應用。探討了數字醫療、分析和人工智能在人口健康管理中的未來。您將學習如何創建機器學習模型，評估其性能，并在您的組織內運作其結果。來自主要醫療服務提供商的研究覆蓋了全球數字服務的規模。通過案例研究和最佳實踐，包括物聯網，提出了評估人工智能機器學習應用的有效性、適用性和效率的技術。

您將了解機器學習如何用于開發健康智能，其目的是改善患者健康、人口健康，并促進顯著的護理支付方成本節約。

//link.springer.com/book/10.1007/978-1-4842-6537-6#about

你會： 了解關鍵機器學習算法及其在醫療保健中的使用和實現 實現機器學習系統，如語音識別和增強深度學習/人工智能 管理海量數據的復雜性 熟悉人工智能和醫療保健最佳實踐、反饋循環和智能代理